CN114187654A - 一种基于机器学习的微惯性武术动作识别方法及系统 - Google Patents
一种基于机器学习的微惯性武术动作识别方法及系统 Download PDFInfo
- Publication number
- CN114187654A CN114187654A CN202111406739.9A CN202111406739A CN114187654A CN 114187654 A CN114187654 A CN 114187654A CN 202111406739 A CN202111406739 A CN 202111406739A CN 114187654 A CN114187654 A CN 114187654A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- action
- martial arts
- standard
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提出了一种基于机器学习的微惯性武术动作识别方法及系统,包括数据采集模块、通信组网模块、数据处理模块、数据库存储模块、规范性分析模块以及反馈模块。数据采集模块可以通过微惯性数据传感器采集该用户训练时的节点速度,角速度,加速度及压力;通信组网模块通过滤波算法进行数据传输;数据库存储模块通过Sql进行数据存储;建立反馈模块,对不合理的数据进行反馈,并重新测量。本发明基于机器学习,将采集的运动信号进行处理,通过三级处理模式进行标样,可以以更规范且少量的数据源获得更多样性的组合动作以提高动作识别的准确性。本发明亦可准确识别人的武术动作,并进行规范性评估。
Description
技术领域
本发明及自动化及模式识别领域,具体为一种基于机器学习的微惯性武术动作识别方法及系统。
背景技术
武术是中华文明的瑰宝,是几千年中华文明流传的精华,但是在快速发展的现代社会中,人们对于武术的相关了解越来越少,即使有相关的产业存在,可是与真正的传统武术却愈发的远,人们的动作越来越不标准,人们也用现代科技做过相关方面的努力,可是传统基于视频的动作识别比较通用,但是缺点也比较明显,视频识别无法实时准确的获取到人体动作的速度信息。
而基于低成本惯性传感器的运动识别一个充满挑战而又具有较高实际应用价值的任务,它可以通过传感器实时获取到人的肢体在运动时的三维速度信息,以便对动作的实时分析。相比图像视觉来说,惯性数据更加复杂多变,获取到的信息更为具体,更为多样,包括加速度、角速度、线速度等多种多样的速度信息。不同的动作类别之间具有相似性,而相同的类别在不同环境下又有着不同的特点。
本发明基于大量人体动作数据训练,同时将数据进行分类标签,构建出实用的数据集。配合惯性传感器及视觉分析技术,依据身体n个关键点实时检测并捕捉人体姿态结果,用于武术动作的识别与分析,以及也可用于智能康复,交互训练、武术健身及单兵国防领域等。
发明内容
针对目前难以采集传统武术动作中速度等相关信息的问题,本发明提出了一种基于机器学习的微惯性武术动作识别方法及系统,达到了实时检测捕捉人体姿态,有效分析并识别武术动作的效益。
一种基于机器学习的微惯性武术动作识别系统,包括数据采集模块、通信组网模块、数据处理模块、数据库存储模块、规范性分析模块以及反馈模块,
所述数据采集模块用于采集人体相应部位上的微惯性数据与力数据,并将微惯性数据上传到通信组网模块;
所述通信组网模块用于汇总各数据采集模块的数据,并通过滤波处理后一同上传到数据处理模块;
所述数据处理模块用于将采集到的数据进行三级数据处理,并将处理后的数据上传到数据库存储模块和规范性分析模块;
所述数据库存储模块用于将处理后的数据与数据库中的标准数据对比,并将得出的动作分类上传到规范性分析模块和反馈模块;
所述规范性分析模块用于将处理并分类后的数据与规范化动作的数据进行对比,并将比对后的评分上传至反馈模块;
所述反馈模块用于向用户显示检测到的武术动作名称以及规范性评分。
作为本发明系统进一步改进,所述数据采集模块,即一款微型纽扣式力传感器与一款集成了三轴加速度计、三轴陀螺仪以及一款低功耗微处理器的六轴姿态传感器,部署在人体相应部位上,采集相关运动数据。
作为本发明系统进一步改进,所述通信模块由部署在人体的n个采样节点和一个接收终端构成。所述采样节点进行级联传输,先传输到胸部主节点,汇总数据后一同发送到接收端。
作为本发明系统进一步改进,所述规范性分析及反馈模块,通过多次标准武术动作模拟及数据采集,构建动作数据库后,对初学者的武术动作进行规范和校正,对武术运动员的动作安全性进行评估,通过将实时采集到的的各项动作数据包括速度、加速度和角速度数据与数据库里面的标准数据进行对比,计算出差异度其中,dt、dst分别是待比对数据和标准数据,qt为数据dt的相似度占比加权,通过反馈结构将结果实时反馈给用户,适用于动作监测打分及规范性评估。
本发明提供一种基于机器学习的微惯性武术动作识别方法:所述方法采用三级数据处理模式;
所述三级处理模式中,一级数据操作为,根据惯性传感器得到的加速度,以及力传感器所测得力度,融合估计实际力度,计算式为,其中mk为第k个传感器附着部位的相对质量且可以通过mk=pjk*M计算出,其中pjk为由用户的性别和具体部位共同决定的重量占比,其中M为用户输入的自身体重,ak为第k个传感器附着部位的三轴合加速度,fk为第k个传感器附着部位力传感器测得力度;
所述三级处理模式中,二级数据操作为,计算出该数据集中速度、加速度、角速度、压力、姿态角的信息熵:其中Pi表示第i个动作数据占所有数据的比例,α为修正系数N为采集数据的类别数量,a为静态节点的个数,计算特征Si的标准加权数其中,at为人体各个部位所对应的权重,qt为Si的各项高相关性因素的加权,且qt>1,据此,构建随机森林模型,由于模型存在n个低相关性特征,该决策模型的最终票权P=0.8n,所述高相关因素为相邻节点的加速度比值,胸部与腰部节点的速度信息、边界节点的速度与位置信息;所述低相关因素为幅值恒定的特征数据、静态节点的均值和标准差等;
所述三级处理模式中,三级数据操作为,通过对实时得到的动作数据和标准数据库里面的数据进行差异化计算其中Lt为各个部位对应数据的差异值,可以得到显示动作标准性的差异度指标L。与现有技术相比,本发明的有益效果为:
(1)相比传统的图像视觉识别,基于微惯性的武术动作识别可以采集到更复杂多变的惯性数据,获取到的信息更为具体,更为多样。
(2)三级数据处理模式可以通过更规范且少量的数据源,获得更多样性的组合动作并提高动作识别的准确性,用于武术动作的识别与分析。
(3)基于上位机的云端数据库,在系统的使用中根据新数据不断优化模型,使武术动作的评估愈发细致与标准化。
附图说明
图1为基于机器学习和微惯性的武术动作识别系统结构图
图2为规范性武术动作构建流程图;
图3为基于机器学习的武术动作识别流程。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
图1为基于机器学习和微惯性的武术动作识别系统结构图
步骤S1:穿戴设备以及调试。
S1.1将数据采集模块穿戴在人体上,位置包括左小腿、左大腿、右小腿、右大腿、腰部、胸部、左大臂、左小臂、右大臂、右小臂,共计10个节点。
S1.2数据将采集人体动作时的速度、加速度、角速度、压力等信号,首先传输到胸部节点,在由胸部节点整合发送到处理终端。
图2为规范性武术动作构建流程图
步骤S2:构建规范性武术动作数据库数据库,具体包括
S2.1、在标准数据库的构建过程中,通过对实时采集到的数据进行滤波处理后,得到受环境影响较小的数据。
S2.2、在数据库构建过程中,按照本专利所规定的武术动作种类作为数据库的索引。由于本专利数据存储的方法是各个动作分类存储,而通常一个动作会有多个部位的动作数据,所以本专利采用一对多的连接表的形式,即一个武术动作的表可以连接多个部位的动作数据表格。
将传感器所得的数据用log文件进行记录,传感器以时间为单位接收数据,即每一个时间戳下传回相关动作的三个自由度下的速度、加速度、角速度、姿态角以及测得压力。
本示例将数据预处理(用matlab切比雪夫滤波器进行数据预处理)采用的数据利用SQL(Structured Query Language)进行数据的保存,使其成为自主采集的人体武术动作数据,SQL语言具有交互性特点,能带来极大的便利。利用python,通过create语句进行SQL数据库的建立,依据标签,利用Insert语句进行数据的分类投放,需要调用时也可利用,利用select语句进行数据的筛选和查询,同时,本专利在进行数据的查询时采用模糊查询的方式,也即用like指令,进行模糊查询,以保证不遗漏相应的数据点,根据以上操课,可以实现数据的轻松调用。SQL数据库是表(Table)的集合,SQL表由行集构成,一行是列的序列(集合),每列与行对应一个数据项,其中行集对应人工制作的标签,而列对应每个时间戳传回的数据。
图3为基于微惯性的武术动作识别流程。
步骤S3:调用基于机器学习的武术动作识别模型进行动作识别,具体包括
S3.1、对于武术动作样本训练数据集D,计算出该数据集中的信息熵:
其中,c为数据集中数据类别的数量,Pi为第i类数据样本数量在整体样本D中所占的比例。计算特征Si的标准加权数其中,at为人体各个部位所对应的权重,qt为Si的各项高相关性因素的加权,且qt>1,计算特征Si作用后的信息熵:
其中,Si为待选特征中的第i个特征,n表示选取Si为特征后D被分为n个部分,qi为特征Si的标准加权数。得到提取特征Si后数据集D的信息熵差值,即信息增益对于单棵决策树,Gain(Si)值越大,特征Si越适合作为其节点。
包括冲拳、架拳、亮掌、推掌、弹腿、蹬腿、侧踹腿、跳跃等武术动作分类标签。
S3.2、将实时采集到的数据与标准数据库中的数据进行对比和差异度的计算其中Lt为各个部位对应数据的差异值,可以得到显示动作标准性的差异度指标L。通过与预设的差异判断阈值进行比较,差异度指标L较小的即可识别为相应的武术动作,并将识别结果给反馈出来。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于机器学习的微惯性武术动作识别系统,包括数据采集模块、通信组网模块、数据处理模块、数据库存储模块、规范性分析模块以及反馈模块,其特征在于,
所述数据采集模块用于采集人体相应部位上的微惯性数据与力数据,并将微惯性数据上传到通信组网模块;
所述通信组网模块用于汇总各数据采集模块的数据,并通过滤波处理后一同上传到数据处理模块;
所述数据处理模块用于将采集到的数据进行三级数据处理,并将处理后的数据上传到数据库存储模块和规范性分析模块;
所述数据库存储模块用于将处理后的数据与数据库中的标准数据对比,并将得出的动作分类上传到规范性分析模块和反馈模块;
所述规范性分析模块用于将处理并分类后的数据与规范化动作的数据进行对比,并将比对后的评分上传至反馈模块;
所述反馈模块用于向用户显示检测到的武术动作名称以及规范性评分。
2.根据权利要求1所述的一种基于机器学习的微惯性武术动作识别系统,其特征在于:所述数据采集模块,即一款微型纽扣式力传感器与一款集成了三轴加速度计、三轴陀螺仪以及一款低功耗微处理器的六轴姿态传感器,部署在人体相应部位上,采集相关运动数据。
3.根据权利要求1所述的一种基于机器学习的微惯性武术动作识别系统,其特征在于:所述通信模块由部署在人体的n个采样节点和一个接收终端构成,所述采样节点进行级联传输,先传输到胸部主节点,汇总数据后一同发送到接收端。
5.一种基于机器学习的微惯性武术动作识别方法,其特征在于:所述方法采用三级数据处理模式;
所述三级处理模式中,一级数据操作为,根据惯性传感器得到的加速度,以及力传感器所测得力度,融合估计实际力度,计算式为,其中mk为第k个传感器附着部位的相对质量且可以通过mk=pjk*M计算出,其中pjk为由用户的性别和具体部位共同决定的重量占比,其中M为用户输入的自身体重,ak为第k个传感器附着部位的三轴合加速度,fk为第k个传感器附着部位力传感器测得力度;
所述三级处理模式中,二级数据操作为,计算出该数据集中速度、加速度、角速度、压力、姿态角的信息熵:其中Pi表示第i个动作数据占所有数据的比例,a为修正系数N为采集数据的类别数量,a为静态节点的个数,计算特征Si的标准加权数其中,at为人体各个部位所对应的权重,qt为Si的各项高相关性因素的加权,且qt>1,据此,构建随机森林模型,由于模型存在n个低相关性特征,该决策模型的最终票权P=0.8n,所述高相关因素为相邻节点的加速度比值,胸部与腰部节点的速度信息、边界节点的速度与位置信息;所述低相关因素为幅值恒定的特征数据、静态节点的均值和标准差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406739.9A CN114187654A (zh) | 2021-11-24 | 2021-11-24 | 一种基于机器学习的微惯性武术动作识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406739.9A CN114187654A (zh) | 2021-11-24 | 2021-11-24 | 一种基于机器学习的微惯性武术动作识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187654A true CN114187654A (zh) | 2022-03-15 |
Family
ID=80541481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111406739.9A Pending CN114187654A (zh) | 2021-11-24 | 2021-11-24 | 一种基于机器学习的微惯性武术动作识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187654A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311536A (zh) * | 2023-05-18 | 2023-06-23 | 讯龙(广东)智能科技有限公司 | 一种视频动作评分方法、计算机可读存储介质及系统 |
-
2021
- 2021-11-24 CN CN202111406739.9A patent/CN114187654A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311536A (zh) * | 2023-05-18 | 2023-06-23 | 讯龙(广东)智能科技有限公司 | 一种视频动作评分方法、计算机可读存储介质及系统 |
CN116311536B (zh) * | 2023-05-18 | 2023-08-08 | 讯龙(广东)智能科技有限公司 | 一种视频动作评分方法、计算机可读存储介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021051579A1 (zh) | 形体姿态识别方法、系统、装置及存储介质 | |
Li et al. | Intelligent sports training system based on artificial intelligence and big data | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
CN110490080A (zh) | 一种基于图像的人体跌倒判别方法 | |
Avola et al. | Deep temporal analysis for non-acted body affect recognition | |
Park et al. | Imagery based parametric classification of correct and incorrect motion for push-up counter using OpenPose | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
CN110222708A (zh) | 一种基于集成决策树的跌倒检测方法和系统 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
Fan et al. | Sensor fusion basketball shooting posture recognition system based on CNN | |
Chatterjee et al. | A quality prediction method for weight lifting activity | |
US20230149774A1 (en) | Handle Motion Counting Method and Terminal | |
CN105718954A (zh) | 一种基于视触觉融合的目标属性和类别的识别方法 | |
Beily et al. | A sensor based on recognition activities using smartphone | |
CN111744156A (zh) | 基于可穿戴设备与机器学习的足球动作识别评估系统及方法 | |
CN114187654A (zh) | 一种基于机器学习的微惯性武术动作识别方法及系统 | |
CN101826155A (zh) | 一种基于哈尔特征和动态时序匹配的投篮动作识别方法 | |
CN106073793A (zh) | 基于微惯性传感器的姿态跟踪与识别方法 | |
TWI664550B (zh) | 高爾夫球運動員揮桿姿勢檢測系統 | |
CN113663312A (zh) | 一种基于微惯性的无器械健身动作质量评估方法 | |
Liu et al. | An action recognition technology for badminton players using deep learning | |
CN117133057A (zh) | 基于人体姿态识别的体育运动计数和违规动作判别方法 | |
Chen et al. | Human body gesture recognition method based on deep learning | |
CN116226727A (zh) | 一种基于ai的运动识别系统 |
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 |