CN114239724B - 一种基于惯性传感器的蹴球动作识别与技能评估方法 - Google Patents

一种基于惯性传感器的蹴球动作识别与技能评估方法 Download PDF

Info

Publication number
CN114239724B
CN114239724B CN202111549747.9A CN202111549747A CN114239724B CN 114239724 B CN114239724 B CN 114239724B CN 202111549747 A CN202111549747 A CN 202111549747A CN 114239724 B CN114239724 B CN 114239724B
Authority
CN
China
Prior art keywords
ball
action
motion
kick
classifier
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
Application number
CN202111549747.9A
Other languages
English (en)
Other versions
CN114239724A (zh
Inventor
王志佳
张潇
侯志涛
蓝雯飞
孙士龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202111549747.9A priority Critical patent/CN114239724B/zh
Publication of CN114239724A publication Critical patent/CN114239724A/zh
Application granted granted Critical
Publication of CN114239724B publication Critical patent/CN114239724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于惯性传感器的蹴球动作识别与技能评估方法，包括以下步骤：构建蹴球动作分层识别模型，利用训练数据集对蹴球动作分层识别模型进行训练；在测试人员脚踝上设置惯性传感器，获取测试人员在蹴球时惯性传感器采集的三轴加速度和三轴角速度数据；采用滑动均值滤波方法对传感器获取的三轴加速度和三轴角速度数据进行滤波处理；对收集到的传感器数据按照固定窗口大小进行分割；根据时域特征集从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集；将特征向量输入蹴球动作分层识别模型，对蹴球动作的种类和专业性进行识别分类。本发明结合可穿戴设备和机器学习算法，可对蹴球击球动作的专业性进行识别，具有较高准确性。

Description

一种基于惯性传感器的蹴球动作识别与技能评估方法
技术领域
本发明涉及动作识别及机器学习技术领域，尤其涉及一种基于惯性传感器的蹴球动作识别与技能评估方法。
背景技术
人体动作识别是近年来一个热门的研究方向，在体育训练、医疗辅助、虚拟现实等方面都有广泛的应用。然而，动作识别目前主要应用于人体常见行为如走路、跑步、跳跃等，在各种体育运动方面上的研究还在起步阶段。不管是在教学过程中或是在平时的训练，用一种简便的方式来精准识别运动员的技能动作并给予评价都有着重要的应用需求。
目前普遍采用基于计算机视觉的动作识别方法来监测运动员的日常训练，该方法的应用较为成熟，是体育科学家和专业教练用来研究和监测运动中各种动作生物力学的主要方法，广泛应用于羽毛球、高尔夫、足球和板球等运动。但基于计算机视觉的缺点是识别结果受光线影响较大，并且代价昂贵、计算成本大，在感知范围上也有一定的局限。
近几年也有基于无线信号的动作识别研究，如基于WiFi信号的活动识别系统，和基于信道状态信息的多变量活动识别系统。基于无线信号的动作识别方法虽然新颖，但容易受到其他环境信号的干扰，也无法满足实际对识别精度的需求。
现有研究方法对环境要求较高，并且往往需要安装多种测量设备，在动作识别上大部分也主要以区分动作种类为目的，对动作完成的准确性则无法评估。因此，在实际体育教学训练主要还是依赖教练员的个人经验，缺乏数据化的科学训练手段。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于惯性传感器的蹴球动作识别与技能评估方法，仅使用单个可穿戴设备的情况下利用机器学习算法对蹴球的基本动作(蹴击球和挤压球)进行识别分类，并对相同动作的完成者进行技能专业性评估。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于惯性传感器的蹴球动作识别与技能评估方法，该方法包括以下步骤：
训练阶段：
步骤S1：采集蹴球运动中的蹴击球和挤压球的多条动作数据，形成蹴球运动动作的训练数据集；构建蹴球动作分层识别模型，模型中包含蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3，通过从数据段中提取出时域特征集F，利用训练数据集对蹴球动作分层识别模型进行训练；
识别阶段：
步骤S2：在测试人员脚踝上设置惯性传感器，获取测试人员在蹴球时惯性传感器采集的三轴加速度和三轴角速度数据；
步骤S3：采用滑动均值滤波方法对传感器获取的三轴加速度和三轴角速度数据进行滤波处理，减小噪声干扰；
步骤S4：对收集到的传感器数据按照固定窗口大小进行分割，去除异常信号段；
步骤S5：根据时域特征集F从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集Vp，其中Vp＝[v1，v2，...，vn]∈Rn，R为实数集，n为时域特征集F中的特征个数；
步骤S6：将特征向量Vp输入蹴球动作分层识别模型，对蹴球动作的种类和专业性进行识别分类。
进一步地，本发明的所述步骤S1具体包括以下步骤：
步骤S101：采集蹴球运动中基本动作的三轴加速度和三轴角速度数据，采集的动作分为专业蹴击动作Akp、业余蹴击动作Aka、专业挤压动作Asp和业余挤压动作Asa共四大类；
步骤S102：利用滑动均值滤波方法对采集的三轴加速度和三轴角速度数据进行滤波处理；
步骤S103：对不同蹴球动作数据按固定窗口大小L进行分割得到数据段，去除异常信号段；
步骤S104：根据时域特征集F从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集Vt，其中Vt＝[v1，v2，...，vn]∈Rn，n为时域特征集F中的特征个数，t＝1，2，...，T，T为分割后数据段总数，同时标记每个数据段所对应的动作类别ai，ai∈{Akp，Aka，Asp，Asa}，所有数据段的时域特征向量共同构成样本集D，D＝[V1，V2，...，Vt]；
步骤S106：将样本集D划分为模型训练集DT和模型测试集DV，利用模型训练集DT和相应数据段动作类别ai来训练蹴球动作分层识别模型，用模型测试集DV测试模型的识别效果。
进一步地，本发明的所述步骤S103中，利用窗口内的方差进行数据分割，其计算公式为：
Figure BDA0003417090420000031
其中
Figure BDA0003417090420000032
为当前所求方差数据点，i表示第i轴数据，i＝1，2，3，4，5，6，L表示窗口大小，Avei表示窗口内平均值；
利用各轴方差之和计算传感器的总方差，其计算公式为：
Figure BDA0003417090420000033
设定方差阈值Tmin和Tmax，若Tmin≤Sall≤Tmax，则表示为击球动作，否则表示为非踢球动作数据段、失误踢球数据段或人体一般动作数据段，并去除该数据段。
进一步地，本发明的所述步骤S104中，采用的时域特征有均值、方差、标准差、均方根、最大值、最小值和极差，其中包含了24个统计特征和20个形态学特征，分别为(1)六轴平均值、方差、标准差和均方根；(2)六轴最大值、最小值、极值还有三轴加速度和以及三轴角速度和。
进一步地，本发明的所述步骤S105中，基于支持向量机算法构建蹴球动作分类器c1，基于加权平均优化的模型集成算法构建蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3；基于先验知识将子分类器组成蹴球动作分层识别模型，先利用蹴球动作分类器c1识别输入样本的动作为蹴击球动作还是挤压球动作；若为蹴击球动作，则利用蹴击球动作专业性分类器c2识别输入样本为专业蹴击动作或非专业蹴击动作；若为挤压球动作，则利用挤压球动作专业性分类器c3识别输入样本为专业挤压动作或非专业挤压动作。
进一步地，本发明的所述步骤S106中，令样本子集
Figure BDA0003417090420000041
若其属于蹴击球动作，则标记为蹴击动作类别Ak，若其属于挤压球动作，则标记为挤压动作类别As，与特征向量Vt共同构成向量
Figure BDA0003417090420000042
所有向量构成训练集
Figure BDA0003417090420000043
n为时域特征集F中的特征个数，基于
Figure BDA0003417090420000044
训练蹴球动作分类器c1；
从DT中选出属于蹴击球动作的样本，组成样本子集
Figure BDA0003417090420000045
对于
Figure BDA0003417090420000046
中每个样本，若其属于专业蹴击动作，则标记为专业蹴击动作类别Akp，若其属于业余蹴击动作，则标记为业余蹴击动作类别Aka，与特征向量Vt共同构成向量
Figure BDA0003417090420000047
所有向量构成训练集
Figure BDA0003417090420000048
n为时域特征集F中的特征个数，基于
Figure BDA0003417090420000049
训练蹴击球动作专业性分类器c2；
从DT中选出属于挤压球动作的样本，组成样本子集
Figure BDA00034170904200000410
对于
Figure BDA00034170904200000411
中每个样本，若其属于专业挤压动作，则标记为专业挤压动作类别Asp，若其属于业余挤压动作，则标记为业余挤压动作类别Asa，与特征向量Vt共同构成向量
Figure BDA00034170904200000412
所有向量构成训练集
Figure BDA00034170904200000413
n为时域特征集F中的特征个数，基于
Figure BDA00034170904200000414
训练挤压球动作专业性分类器c3；
对于模型测试集DV中每个样本，输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果。
进一步地，本发明的所述步骤S105中：
基于支持向量机算法构建蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3的具体方法为：
蹴球动作分类器c1通过寻找一个超平面来区分样本，转化为以下等式：
Figure BDA0003417090420000051
其中，d(XT)表示为超平面，yi表示支持向量的类标签，αi和b0为两个常量，Xi为权重向量，X代表标签为yi的击球信号数据。
基于加权平均优化的模型集成算法构建的蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3对蹴球动作分类器c1的输出结果作进一步分类，其计算公式为：
Figure BDA0003417090420000052
其中，ωi为权重，ωi≥0，
Figure BDA0003417090420000053
ci为各个基分类器。
对各基分类器权重进行随机初始化，利用下述损失函数求得基分类器的计算误差：
Llog(y，p)＝-(y log(p)+(1-y)log(1-p))
其中，y为实际标签，p为不同权重基分类器的预测概率组合。
通过使用序列最小二乘优化算法求解上述函数最优解，形式如下：
min F(x)
s.t.hi(x)＝0，i＝1，...，m
gj(x)≥0，j＝1，...，n
其中，x为一个向量，hi(x)为等式约束，gj(x)为非等式约束。
进一步地，本发明的所述步骤S4中，利用固定大小窗口，通过计算窗口内的方差进行数据分割，其计算公式为：
Figure BDA0003417090420000054
其中i表示第i轴数据，i＝1，2，3，4，5，6，L表示窗口大小，Avei表示窗口内平均值；
利用各轴方差之和计算传感器的总方差，其计算公式为：
Figure BDA0003417090420000061
设定方差阈值Tmin和Tmax，若Tmin≤Sall≤Tmax，则表示为击球动作，否则表示为非踢球动作数据段、失误踢球数据段或人体一般动作数据段，并去除该数据段。
进一步地，本发明的所述步骤S6中，对于输入的特征向量Vp，输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果。
本发明产生的有益效果是：本发明的基于惯性传感器的蹴球动作识别与技能评估方法，为蹴球的教学训练提供了一种新的方法，通过将传感器与机器学习算法结合，可以对蹴球击球动作的专业性进行识别。通过设定方差阈值，利用传感器方差之和过滤掉人体一般动作行为和异常动作行为，有效减少非蹴球动作干扰，具有较高准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例的蹴球动作识别与技能评估方法流程示意图；
图2为本发明实施例的数据采集方式及设备图；
图3为本发明实施例的蹴击球和挤压球在不同专业性上的数据对比；
图4为本发明实施例的专业运动员在两种动作上识别效果的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于惯性传感器的蹴球动作识别与技能评估方法，包括以下步骤：
步骤S1：采集蹴球运动中的蹴击球和挤压球的多条动作数据，形成蹴球运动动作的训练数据集；基于支持向量机和加权平均优化的模型集成算法构建蹴球动作分层识别模型，模型中包含蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3，通过从数据段中提取出时域特征集F，利用训练数据集对蹴球动作分层识别模型进行训练，并进行分层模型性能评估；
步骤S2：将内置惯性传感器的可穿戴设备固定于右脚内侧脚踝上，头部朝上，屏幕朝外采集加速度和角速度数据；
步骤S3：采用窗口大小为7的滑动均值滤波算法对采集的传感器信号进行滤波处理；
步骤S4：采用窗口大小为70，滑动步长为20的滑动窗口对数据进行分割得到数据片段；
步骤S5：根据时域特征集F从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集Vp，其中Vp＝[v1，v2，...，vn]∈Rn，n为时域特征集F中的特征个数；
步骤S6：将特征向量Vp输入蹴球动作分层识别模型，将Vp输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果；
本实施方法步骤S1训练和评估基于支持向量机和加权平均优化的模型集成算法的蹴球动作分层识别模型的具体步骤如下：
步骤S101：使用头部朝上，屏幕朝外、固定于右脚内侧脚踝上可穿戴设备内置的传感器采集加速度和角速度数据，用于进行蹴球动作分层识别模型的训练与测试。参与数据采集的人数有8人，共有4名蹴球专业运动员，4名蹴球业余爱好者，采集的动作为蹴球基本技术动作，包括蹴击球动作和挤压球动作，传感器采样频率为50Hz。
步骤S102：采用窗口大小为7的滑动均值滤波算法对采集的加速度和角速度数据进行滤波处理；
步骤S103：对于采集的蹴球基本动作数据按窗口大小为70，滑动步长为20的滑动窗口进行分割得到数据段，通过计算窗口内的方差去除异常数据段，其计算公式为：
Figure BDA0003417090420000081
其中i表示第i轴数据(i＝1，2，3，4，5，6)，L表示窗口大小，Avei表示窗口内平均值。
利用各轴方差之和计算传感器的总方差，其计算公式为：
Figure BDA0003417090420000082
设定方差阈值Tmin和Tmax，若Tmin≤Sall≤Tmax，则表示为击球动作，否则表示为非踢球动作数据段、失误踢球数据段或人体一般动作数据段，并去除该数据段。
本实施方法设定上限阈值为0.9，下线阈值为0.2，分割得到的总数据段K＝2031，每个数据段包含三轴加速度和三轴角速度。
步骤S104：根据时域特征集F从数据段中提取出相应的时域特征。提取了均值、方差、标准差、均方根、极大值、极小值、极差共7种时域特征，其中包含了统计特征和形态学特征，分别为(1)六轴平均值、方差、标准差和均方根；(2)六轴最大值、最小值、极值还有三轴加速度和以及三轴角速度和，因此时域特征集F中的特征数N＝4×6+3×6+2＝44。
步骤S105：基于支持向量机和加权平均优化的模型集成算法构建蹴球动作分层识别模型。如图1所示，蹴球动作分层识别模型中包含蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3，基于先验知识将上述子分类器组成蹴球动作分层识别模型，对于输入样本，先利用蹴球动作分类器c1识别输入样本的动作为蹴击球动作还是挤压球动作；若为蹴击球动作，则利用蹴击球动作专业性分类器c2识别输入样本为专业蹴击动作或非专业蹴击动作；若为挤压球动作，则利用挤压球动作专业性分类器c3识别输入样本为专业挤压动作或非专业挤压动作；
步骤S106：模型训练与测试。将所有样本数据集划分为模型训练集和模型测试集，本实施方法将2031条样本中的1625条数据作为模型训练集，剩余406条数据作为模型测试集。利用模型训练集DT和相应数据段动作类别ai来训练蹴球动作分层识别模型，用模型测试集DV测试模型的识别效果，为避免过拟合，本实施方式采用五折交叉验证法来评估模型分类性能。
在利用DT训练模型时，令样本子集
Figure BDA0003417090420000091
若其属于蹴击球动作，则标记为蹴击动作类别Ak，若其属于挤压球动作，则标记为挤压动作类别As，与特征向量Vt共同构成向量
Figure BDA0003417090420000092
所有向量构成训练集
Figure BDA0003417090420000093
n为时域特征集F中的特征个数，基于
Figure BDA0003417090420000094
训练蹴球动作分类器c1；
从DT中选出属于蹴击球动作的样本，组成样本子集
Figure BDA0003417090420000095
对于
Figure BDA0003417090420000096
中每个样本，若其属于专业蹴击动作，则标记为专业蹴击动作类别Akp，若其属于业余蹴击动作，则标记为业余蹴击动作类别Aka，与特征向量Vt共同构成向量
Figure BDA0003417090420000097
所有向量构成训练集
Figure BDA0003417090420000098
n为时域特征集F中的特征个数，基于
Figure BDA0003417090420000099
训练蹴击球动作专业性分类器c2；
从DT中选出属于挤压球动作的样本，组成样本子集
Figure BDA00034170904200000910
对于
Figure BDA00034170904200000911
中每个样本，若其属于专业挤压动作，则标记为专业挤压动作类别Asp，若其属于业余挤压动作，则标记为业余挤压动作类别Asa，与特征向量Vt共同构成向量
Figure BDA00034170904200000912
所有向量构成训练集
Figure BDA00034170904200000913
n为时域特征集F中的特征个数，基于
Figure BDA00034170904200000914
训练挤压球动作专业性分类器c3；
在利用DV测试模型分类性能时，对于测试数据集DV中的每个样本，将特征向量Vp输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果；
如图4所示，为专业运动员在两种动作上识别效果的混淆矩阵。其中数据为专业运动员总样本1043条中的209条测试样本，标签0表示蹴击球动作，标签1表示挤压球动作。如表1所示，为蹴击球动作和挤压球动作专业性识别的准确率、AUC值、F1值。
表1蹴击球动作和挤压球动作专业性识别的准确率、AUC值、F1值
准确率 AUC值 F1值
蹴击球 0.991 0.991 0.991
挤压球 0.926 0.927 0.931
由混淆矩阵可知，对于蹴击球动作和挤压球动作，系统可以完全进行区分，说明了本实施方法具有较高的区分性能。在蹴球动作专业性识别中，蹴击球动作达到了99.1％的平均准确率、0.991的平均AUC值和0.991的平均F1值。而在挤压球动作分类效果上，整体比蹴击球略差，达到了92.6％的平均准确率、0.927的平均AUC值和0.931的平均F1值，这是由于挤压球的技术动作持续时间比蹴击球短，信号受到噪音干扰影响更大，提取出的信号特征更不稳定。尽管如此，系统整体识别的准确率为95.9％，证明本实施方法的蹴球动作分层识别模型具有较高识别性能。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，该方法包括以下步骤：
训练阶段：
步骤S1：采集蹴球运动中的蹴击球和挤压球的多条动作数据，形成蹴球运动动作的训练数据集；构建蹴球动作分层识别模型，模型中包含蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3，通过从数据段中提取出时域特征集F，利用训练数据集对蹴球动作分层识别模型进行训练；
识别阶段：
步骤S2：在测试人员脚踝上设置惯性传感器，获取测试人员在蹴球时惯性传感器采集的三轴加速度和三轴角速度数据；
步骤S3：采用滑动均值滤波方法对传感器获取的三轴加速度和三轴角速度数据进行滤波处理，减小噪声干扰；
步骤S4：对收集到的传感器数据按照固定窗口大小进行分割，去除异常信号段；
步骤S5：根据时域特征集F从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集Vp，其中Vp＝[v1,v2,...,vn]∈Rn，R为实数向量集，n为时域特征集F中的特征个数；
步骤S6：将特征向量Vp输入蹴球动作分层识别模型，对蹴球动作的种类和专业性进行识别分类；
所述步骤S1具体包括以下步骤：
步骤S101：采集蹴球运动中基本动作的三轴加速度和三轴角速度数据，采集的动作分为专业蹴击动作Akp、业余蹴击动作Aka、专业挤压动作Asp和业余挤压动作Asa共四大类；
步骤S102：利用滑动均值滤波方法对采集的三轴加速度和三轴角速度数据进行滤波处理；
步骤S103：对不同蹴球动作数据按固定窗口大小L进行分割得到数据段，去除异常信号段；
步骤S104：根据时域特征集F从数据段中提取出相应的时域特征，得到该数据段对应的特征向量集Vt，其中Vt＝[v1,v2,...,vn]∈Rn，R为实数集，n为时域特征集F中的特征个数，t＝1,2,...,T，T为分割后数据段总数，同时标记每个数据段所对应的动作类别ai，ai∈{Akp,Aka,Asp,Asa}，所有数据段的时域特征向量共同构成样本集D，D＝[V1,V2,...,Vt]；
步骤S105：构建蹴球动作分层识别模型，模型中包含蹴球动作分类器c1、蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3，基于先验知识将子分类器组成蹴球动作分层识别模型；
步骤S106：将样本集D划分为模型训练集DT和模型测试集DV，利用模型训练集DT和相应数据段动作类别ai来训练蹴球动作分层识别模型，用模型测试集DV测试模型的识别效果；
所述步骤S105中，基于支持向量机算法构建蹴球动作分类器c1，基于加权平均优化、的模型集成算法构建蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3；基于先验知识将子分类器组成蹴球动作分层识别模型，先利用蹴球动作分类器c1识别输入样本的动作为蹴击球动作还是挤压球动作；若为蹴击球动作，则利用蹴击球动作专业性分类器c2识别输入样本为专业蹴击动作或非专业蹴击动作；若为挤压球动作，则利用挤压球动作专业性分类器c3识别输入样本为专业挤压动作或非专业挤压动作；
所述步骤S105中：
基于支持向量机算法构建蹴球动作分类器c1、基于加权平均优化的模型集成算法构建蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3的具体方法为：
蹴球动作分类器c1通过寻找一个超平面来区分样本，转化为以下等式：
Figure FDA0003848735880000021
其中，d(XT)表示为超平面，yi表示支持向量的类标签，αi和b0为两个常量，Xi为权重向量，X代表标签为yi的击球信号数据；
基于加权平均优化的模型集成算法构建的蹴击球动作专业性分类器c2和挤压球动作专业性分类器c3对蹴球动作分类器c1的输出结果作进一步分类，其计算公式为：
Figure FDA0003848735880000031
其中，ωi为权重，ωi≥0，
Figure FDA0003848735880000032
ci为各个基分类器；
对各基分类器权重进行随机初始化，利用下述损失函数求得基分类器的计算误差：
Llog(y,p)＝-(ylog(p)+(1-y)log(1-p))
其中，y为实际标签，p为不同权重基分类器的预测概率组合；
通过使用序列最小二乘优化算法求解上述函数最优解，形式如下：
minF(x)
s.t.hi(x)＝0,i＝1,…,m
gj(x)≥0,j＝1,…,n
其中，x为一个向量，hi(x)为等式约束，gj(x)为非等式约束。
2.根据权利要求1所述的基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，所述步骤S103中，利用窗口内的方差进行数据分割，其计算公式为：
Figure FDA0003848735880000033
其中，
Figure FDA0003848735880000034
为当前所求方差数据点，i表示第i轴数据，i＝1,2,3,4,5,6，L表示窗口大小，Avei表示窗口内平均值；
利用各轴方差之和计算传感器的总方差，其计算公式为：
Figure FDA0003848735880000035
设定方差阈值Tmin和Tmax，若Tmin≤Sall≤Tmax，则表示为击球动作，否则表示为非踢球动作数据段、失误踢球数据段或人体一般动作数据段，并去除该数据段。
3.根据权利要求1所述的基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，所述步骤S104中，采用的时域特征有均值、方差、标准差、均方根、最大值、最小值和极差，其中包含了24个统计特征和20个形态学特征，分别为(1)六轴平均值、方差、标准差和均方根；(2)六轴最大值、最小值、极值还有三轴加速度和以及三轴角速度和。
4.根据权利要求1所述的基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，所述步骤S106中，令样本子集
Figure FDA0003848735880000041
若其属于蹴击球动作，则标记为蹴击动作类别Ak，若其属于挤压球动作，则标记为挤压动作类别As，与特征向量Vt共同构成向量
Figure FDA0003848735880000042
所有向量构成训练集
Figure FDA0003848735880000043
n为时域特征集F中的特征个数，基于
Figure FDA0003848735880000044
训练蹴球动作分类器c1；
从DT中选出属于蹴击球动作的样本，组成样本子集
Figure FDA0003848735880000045
Figure FDA0003848735880000046
对于
Figure FDA0003848735880000047
中每个样本，若其属于专业蹴击动作，则标记为专业蹴击动作类别Akp，若其属于业余蹴击动作，则标记为业余蹴击动作类别Aka，与特征向量Vt共同构成向量
Figure FDA0003848735880000048
Figure FDA0003848735880000049
所有向量构成训练集
Figure FDA00038487358800000410
n为时域特征集F中的特征个数，基于
Figure FDA00038487358800000411
训练蹴击球动作专业性分类器c2；
从DT中选出属于挤压球动作的样本，组成样本子集
Figure FDA00038487358800000412
Figure FDA00038487358800000413
对于
Figure FDA00038487358800000414
中每个样本，若其属于专业挤压动作，则标记为专业挤压动作类别Asp，若其属于业余挤压动作，则标记为业余挤压动作类别Asa，与特征向量Vt共同构成向量
Figure FDA00038487358800000415
Figure FDA00038487358800000416
所有向量构成训练集
Figure FDA00038487358800000417
n为时域特征集F中的特征个数，基于
Figure FDA00038487358800000418
训练挤压球动作专业性分类器c3；
对于模型测试集DV中每个样本，输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果。
5.根据权利要求1所述的基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，所述步骤S4中，利用固定大小窗口，通过计算窗口内的方差进行数据分割，其计算公式为：
Figure FDA0003848735880000051
其中i表示第i轴数据，i＝1,2,3,4,5,6，L表示窗口大小，Avei表示窗口内平均值；
利用各轴方差之和计算传感器的总方差，其计算公式为：
Figure FDA0003848735880000052
设定方差阈值Tmin和Tmax，若Tmin≤Sall≤Tmax，则表示为击球动作，否则表示为非踢球动作数据段、失误踢球数据段或人体一般动作数据段，并去除该数据段。
6.根据权利要求1所述的基于惯性传感器的蹴球动作识别与技能评估方法，其特征在于，所述步骤S6中，对于输入的特征向量Vp，输入蹴球动作分类器c1，若c1输出结果为蹴击球动作，则输入蹴击球动作专业性分类器c2得到最终的识别结果；若c1输出结果为挤压球动作，则输入挤压球动作专业性分类器c3得到最终的识别结果。
CN202111549747.9A 2021-12-17 2021-12-17 一种基于惯性传感器的蹴球动作识别与技能评估方法 Active CN114239724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111549747.9A CN114239724B (zh) 2021-12-17 2021-12-17 一种基于惯性传感器的蹴球动作识别与技能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111549747.9A CN114239724B (zh) 2021-12-17 2021-12-17 一种基于惯性传感器的蹴球动作识别与技能评估方法

Publications (2)

Publication Number Publication Date
CN114239724A CN114239724A (zh) 2022-03-25
CN114239724B true CN114239724B (zh) 2023-04-18

Family

ID=80758011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111549747.9A Active CN114239724B (zh) 2021-12-17 2021-12-17 一种基于惯性传感器的蹴球动作识别与技能评估方法

Country Status (1)

Country Link
CN (1) CN114239724B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596074A (zh) * 2018-04-19 2018-09-28 上海理工大学 一种基于惯性传感器的人体下肢动作识别方法
CN110084286A (zh) * 2019-04-10 2019-08-02 武汉理工大学 一种基于传感器的ecoc技术的人体动作识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6014869B2 (ja) * 2014-09-12 2016-10-26 株式会社国際電気通信基礎技術研究所 動作識別システム、情報処理装置、情報処理プログラム、および情報処理システム
CN106203484B (zh) * 2016-06-29 2019-06-21 北京工业大学 一种基于类别分层机制的人体运动状态分类方法
CN111582361A (zh) * 2020-05-06 2020-08-25 浙江大学 基于惯性传感器的人体行为识别方法
CN111641236B (zh) * 2020-05-27 2023-04-14 上海电享信息科技有限公司 基于大数据ai的动态阈值动力电池充电电压状态判断方法
CN111744156B (zh) * 2020-07-06 2021-11-09 深圳市蝙蝠云科技有限公司 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
CN111901028B (zh) * 2020-07-24 2023-04-07 辽宁工程技术大学 一种基于多天线上csi的人体行为识别方法
CN113057628A (zh) * 2021-04-04 2021-07-02 北京泽桥传媒科技股份有限公司 一种基于惯性传感器式动作捕捉方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596074A (zh) * 2018-04-19 2018-09-28 上海理工大学 一种基于惯性传感器的人体下肢动作识别方法
CN110084286A (zh) * 2019-04-10 2019-08-02 武汉理工大学 一种基于传感器的ecoc技术的人体动作识别方法

Also Published As

Publication number Publication date
CN114239724A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Cust et al. Machine and deep learning for sport-specific movement recognition: A systematic review of model development and performance
WO2021051579A1 (zh) 形体姿态识别方法、系统、装置及存储介质
Joshi et al. Robust sports image classification using InceptionV3 and neural networks
CN109886068B (zh) 基于运动数据的动作行为识别方法
CN110674785A (zh) 一种基于人体关键点跟踪的多人姿态分析方法
CN110711374A (zh) 多模态舞蹈动作评价方法
Ghazali et al. Common sport activity recognition using inertial sensor
JP6823123B2 (ja) 行動データを用いた一般化されたスキル評価のためのシステム及び方法
CN113701825B (zh) 一种基于人工智能的健身设施异常检测方法及系统
CN112294295A (zh) 一种基于极限学习机的人体膝部运动姿态识别方法
CN107092861A (zh) 基于压力与加速度传感器的下肢动作识别方法
CN111401435B (zh) 一种基于运动手环的人体运动模式识别方法
CN108021888A (zh) 一种跌倒检测方法
Hu et al. Basketball activity classification based on upper body kinematics and dynamic time warping
CN113975775B (zh) 可穿戴式惯性体感乒乓运动训练系统及其工作方法
CN109740418B (zh) 一种基于多加速度传感器的瑜伽动作识别方法
CN114239724B (zh) 一种基于惯性传感器的蹴球动作识别与技能评估方法
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
CN103020631B (zh) 基于星型模型的人体运动识别方法
CN116311497A (zh) 一种基于机器视觉的隧道工人异常行为检测方法及系统
CN114764580A (zh) 一种基于无穿戴设备的实时人体手势识别方法
CN115410267A (zh) 一种基于人体骨骼与肌肉相互配合动作分析数据统计算法
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
CN109961090B (zh) 一种基于智能穿戴设备的行为分类方法及系统
Javeed et al. Physical Locomotion Detection using pre-classification for Muscles monitoring

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