CN114241603B - 基于可穿戴设备的毽球动作识别与水平等级评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于可穿戴设备的毽球动作识别与水平等级评估方法及系统，该方法包括：通过智能可穿戴式设备采集毽球运动中产生的训练数据样本；对训练数据进行清洗去噪，滑动均值滤波；进行相同窗口大小的动作片段提取，建立动作轨迹模型；对轨迹模型进行特征提取，并运用XGBoost算法对特征重构变换；构建毽球动作的多任务逻辑回归分类器1和2，利用处理后的训练数据对多任务逻辑回归分类器进行训练，选择出最优模型参数，得到分类模型；采集毽球运动中产生的待分类的测试数据样本，利用分类算法模型对测试数据样本进行分类，输出分类预测结果。本发明能对毽球动作进行识别，能对学生的水平进行客观的评判，且能帮助学生精准地掌握毽球技术。

Description

基于可穿戴设备的毽球动作识别与水平等级评估方法及系统

技术领域

本发明涉及动作识别技术领域，尤其涉及一种基于可穿戴设备的毽球动作识别与水平等级评估方法及系统。

背景技术

毽球，是一项由中国古老的民间健身运动游戏踢毽子演变而来，是中华民族传统的竞技体育运动。它在踢毽子游戏的趣味性、观赏性、健身性的基础上，增加了对抗性。在毽球比赛中，有脚踢球(包括脚内侧、外侧、脚背踢球)、正面脚掌踏毽球、传球、发球等技术，而正确掌握这些技术是比赛中取得胜利的前提。如果能在毽球运动中运用人体动作识别技术可帮助教员们对学生的水平进行客观的评判，则能帮助学生们精准地掌握这些技术。

近年来，许多研究者对脚支配运动动作进行了研究，因为运动员在运动过程中的脚及腿部的变化至关重要。在传统的研究中，大多数研究人员采用的是使用基于计算机视觉的动作识别方法，且此种方法已经相对较为成熟。但是此种方法对光线要求较高，无法在较暗的环境下进行，并且基于视频的动作识别算法计算量大、设备昂贵等限制，所以这种方法无法应用到日常球队的训练中。随着智能可穿戴设备的发展，微电机技术的进步，惯性传感器在运动分析和动作识别领域占据了不可或缺的地位。

总体而言，目前现有的对动作捕捉识别的研究对环境要求较高，投入成本较大；且大部分研究局限于不同动作的种类识别分类，还没有对于不同种类动作的技术水平的分类研究，所以难以将一些现有动作捕捉识别技术应用于实际的训练场景中帮助教员们对学生进行精准、快速的评判与分析。

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，提供一种基于可穿戴设备的毽球动作识别与水平等级评估方法及系统。

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可穿戴设备的毽球动作识别与水平等级评估方法，该方法包括以下步骤：

S1：通过智能可穿戴式设备采集毽球运动中产生的训练数据样本，训练数据样本包括三轴加速度和三轴角速度共六维数据；

S2：对训练数据进行清洗去噪，滑动均值滤波；

S3：对预处理后的训练数据进行相同窗口大小的动作片段提取，建立动作轨迹模型；

S4：对轨迹模型进行特征构建，包括六维数据的七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，共计42个特征向量，并运用极端梯度提升算法(XGBoost)对特征向量进行特征重构变换；

S5：构建毽球动作的多任务逻辑回归(Multi-Task-LR)分类器，利用处理后的训练数据对多任务逻辑回归分类器进行训练，选择出最优模型参数，得到分类算法模型；

S6：采集毽球运动中产生的待分类的测试数据样本，利用训练完成的多任务逻辑回归分类器对测试数据样本进行分类，输出分类预测结果；将输出的分类预测结果与真实情况进行对比，最后计算多任务逻辑回归分类器分类的准确率。

进一步地，本发明的所述步骤S1具体包括：

测试者在脚踝外侧穿戴智能设备，智能设备采用惯性传感器，在指定区域做出毽球运动中的指定动作；指定动作的类别包括：脚内侧踢球、脚外侧踢球、脚背踢球、传球、正脚背发球；对于不同类别的动作，智能可穿戴设备通过蓝牙传输模块将惯性传感器收集的运动数据传送至智能移动设备；智能可穿戴设备内置惯性传感器在每个采样点上采集三维空间中x轴、y轴和z轴角速度和三维空间中的x轴、y轴和z轴加速度；最终收集到对应的数据矩阵

P表示采集的动作数量，S_i代表完成单个完整动作中任一坐标轴包含的动作信号数据的个数。

进一步地，本发明的所述步骤S2中滑动均值滤波的方法具体包括：

对收集到的数据矩阵运用滑动均值滤波处理，对于训练数据样本中单个完整动作原始型号S＝(s₁,s₂,…,s_m,…)，用长度为r的时间窗口从信号序列F的队首依次向后滑动，计算窗口内的平均值

作为s_m点的输出，其中r为奇数，其向后偏移的窗口大小为

进一步地，本发明的所述步骤S3具体包括：

对预处理的数据矩阵按照动作完成时间进行切割，划分成P个数据段，每个数据段划分方法描述为：每个动作数据段中的绝对最大值做为基准点B，并以基准点B作为参考点对所有数据段进行前向切割和后向切割，向前切割m个时域数据，向后切割n个时域数据，单个动作任一坐标轴轴数据片段为(B-α,B+β)，得到大小为L×P的动作信号数据矩阵Z，L代表保留的单个数据段的长度，其大小为(α+β)×6。

进一步地，本发明的所述步骤S4具体包括：

对于动作数据矩阵Z，采用七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，对矩阵Z中的六轴数据进行运算，共计得到42个特征向量；根据数据采集的情况对每组数据进行标记，对动作类型和动作完成者等级的标记，另外得到大小为P×(N+1)的带标签矩阵Z。Z∈R^P×(N+1)其中Q表示特征矩阵，N表示特征数量，1表示标签矩阵。

进一步地，本发明的所述步骤S4中的极端梯度提升算法XGBoost具体步骤包括：

步骤S4.1：以原有特征矩阵Z作为极端梯度提升算法XGBoost的输入，并为极端梯度提升算法XGBoost构建一组决策树组合，其中每一棵决策树的非叶子节点表示对原有特征的属性测试，叶子结点表示对原有特征属性测试结果的分布，其取值为0或1；所得决策树组合的叶子结点总数为N′；

步骤S4.2：对于每一棵决策树，自其根结点起，特征取值与非叶子结点所表示的特征属性进行比较，并根据比较结果决定下一比较分支，直到叶子结点作为最终的比较结果；

步骤S4.3：所述步骤S4.2中选中的叶子结点置为1，其余叶子结点置为0，将所有的叶子结点依决策树叶子结点排列顺序从左至右进行取值组合，所得结果为新构建的特征向量矩阵Q，其矩阵大小为P×(N′+1)。

进一步地，本发明的所述步骤S5具体包括：

多任务逻辑回归分类器由用于动作分类的逻辑回归分类器1和用于专业性水平分类的逻辑回归分类器2并联构成，多任务逻辑回归分类器的参数训练主要包括：

步骤S5.1:以训练数据集合Q的前N列数据矩阵Q_1～N′作为逻辑回归分类器1的输入；以第N′+1列数据Q_1+N′作为逻辑回归分类器1的期望输出，则多任务逻辑回归分类器1的参数集合描述为：

其中，

表示矩阵Q_1～N′的转置矩阵。θ表示逻辑回归分类器1的参数集合；逻辑回归分类器1可实现动作类型分类；

步骤S5.2:选取动作集合Q中任意已分类毽球动作作为目标动作，数据集合Q中表示该动作的前p行数据作为特定动作特征矩阵F，其大小为p×N，特定动作矩阵F作为逻辑回归分类器2的输入；以第N′+1列数据F_N′+1作为逻辑回归分类器2的期望输出，则多任务逻辑回归分类器2的参数集合描述为：

其中，

表示矩阵F_1～N′的转置矩阵。μ表示逻辑回归分类器2的参数集合；逻辑回归分类器2可实现动作水平分类；

步骤S5.3：参数θ和参数μ的并联组合，构成多任务逻辑回归分类器的参数集合。

本发明提供一种基于可穿戴设备的毽球动作识别与水平等级评估系统，该系统包括：智能可穿戴传感器、移动终端、计算机和云存储服务器；其中：

所述智能可穿戴传感器内设有加速度计和陀螺仪，所述加速度计可产生三维空间中x轴、y轴、z轴加速度数据，所述陀螺仪可产生三维空间中x轴、y轴、z轴角速度数据。

所述移动终端为智能平板电脑或智能手机，其通过蓝牙与所述智能可穿戴传感器连接，用于所述智能可穿戴传感器传输运动数据至所述智能移动终端，通过无线网络与所述云储存服务器连接，用于传输运动数据至云存储服务器

所述计算机装配有XGBoost梯度提升算法和逻辑回归分类算法，其用于所述系统的训练阶段，与所述智能可穿戴式设备所产生的数据连接，用所述数据的特征向量训练XGBoost和多任务逻辑回归分类模型，并对所述模型进行参数调试，最后得到最优XGBoost梯度提升算法和多任务逻辑回归分类模型并传输至所述云储存服务器。

所述云存储服务器内装配有最优XGBoost梯度提升算法和多任务逻辑回归分类模型，所述云存储服务器在接收到移动终端发送的运动数据后，可将最优模型分类结果返回至移动终端。

本发明产生的有益效果是：本发明的基于可穿戴设备的毽球动作识别与水平等级评估方法及系统，利用机器学习算法对毽球的基本动作进行识别分类，识别出是正脚背发球或者是脚内侧踢球，并对动作进行水平等级分类，能有效识别出不同毽球动作完成的水平等级是专业水平或是业余水平。

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是本发明实施例的系统结构框架图；

图2是本发明实施例的方法流程图。

图3是本发明实施例的模型框架图

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可穿戴设备的毽球动作识别与水平等级评估系统，该系统包括：智能可穿戴传感器100、移动终端200、计算机300和云存储服务器400。

所述智能可穿戴传感器100内设有加速度计101和陀螺仪102，所述加速度计101可产生三维空间中x轴、y轴、z轴加速度数据，所述陀螺仪102可产生三维空间中x轴、y轴、z轴角速度数据。

所述智能移动终端200为智能平板电脑或智能手机，其通过蓝牙与所述智能可穿戴传感器100连接，用于所述智能可穿戴传感器100传输运动数据至所述智能移动终端200，通过无线网络与所述云储存服务器400连接，用于传输运动数据至云存储服务器400

所述计算机300装配有XGBoost梯度提升算法和逻辑回归分类算法301，其用于所述系统的训练阶段，与所述智能可穿戴式设备100所产生的数据连接，用所述数据的特征向量训练XGBoost和多任务逻辑回归分类模型301，并对所述模型进行参数调试，最后得到最优XGBoost梯度提升算法和逻辑回归分类模型401并传输至所述云储存服务器400。

所述云存储服务器400内装配有最优XGBoost梯度提升算法和多任务逻辑回归分类模型401，所述云存储服务器400在接收到移动终端发送的运动数据后，可将最优模型分类结果返回至移动终端。

如图2所示，本发明实施例的基于可穿戴设备的毽球动作识别与水平等级评估方法，该方法包括以下步骤：

S1：通过智能可穿戴式设备采集毽球运动中产生的训练数据样本，训练数据样本包括三轴加速度和三轴角速度共六维数据；

S2：对训练数据进行清洗去噪，滑动均值滤波；

S3：对预处理后的训练数据进行相同窗口大小的动作片段提取，建立动作轨迹模型；

S4：对轨迹模型进行特征构建，包括六维数据的七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，共计42个特征向量，并运用极端梯度提升算法(XGBoost)对特征向量进行特征重构变换；

S5：构建毽球动作的多任务逻辑回归(Multi-Task-LR)分类器，利用处理后的训练数据对多任务逻辑回归分类器进行训练，选择出最优模型参数，得到分类算法模型；

S6：采集毽球运动中产生的待分类的测试数据样本，利用训练完成的多任务逻辑回归分类器对测试数据样本进行分类，输出分类预测结果；将输出的分类预测结果与真实情况进行对比，计算多任务逻辑回归分类器分类的准确率。

在本发明的另一优选实施例中，包括：

所述步骤S1具体包括：

测试者在脚踝外侧穿戴智能设备，智能设备采用惯性传感器，在指定区域做出毽球运动中的指定动作；指定动作的类别包括：脚内侧踢球、脚外侧踢球、脚背踢球、传球、正脚背发球；对于不同类别的动作，智能可穿戴设备通过蓝牙传输模块将惯性传感器收集的运动数据传送至智能移动设备；智能可穿戴设备内置惯性传感器在每个采样点上采集三维空间中x轴、y轴和z轴角速度和三维空间中的x轴、y轴和z轴加速度；最终收集到对应的数据矩阵

P表示采集的动作数量，S_i代表完成单个完整动作中任一坐标轴包含的动作信号数据的个数。

所述步骤S2中滑动均值滤波的方法具体包括：

对收集到的数据矩阵运用滑动均值滤波处理，对于训练数据样本中单个完整动作原始型号S＝(s₁,s₂,…,s_m,…)，用长度为r的时间窗口从信号序列F的队首依次向后滑动，计算窗口内的平均值

作为s_m点的输出，其中r为奇数，其向后偏移的窗口大小为

所述步骤S3具体包括：

对预处理的数据矩阵按照动作完成时间进行切割，划分成P个数据段，每个数据段划分方法描述为：每个动作数据段中的绝对最大值做为基准点B，并以基准点B作为参考点对所有数据段进行前向切割和后向切割，向前切割m个时域数据，向后切割n个时域数据，单个动作任一坐标轴轴数据片段为(B-α,B+β)，得到大小为L×P的动作信号数据矩阵Z，L代表保留的单个数据段的长度，其大小为(α+β)×6。

所述步骤S4具体包括：

对于动作数据矩阵Z，采用七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，对矩阵Z中的六轴数据进行运算，共计得到42个特征向量；根据数据采集的情况对每组数据进行标记，对动作类型和动作完成者等级的标记，另外得到大小为P×(N+1)的带标签矩阵Z。Z∈R^P×(N+1)其中Q表示特征矩阵，N表示特征数量，1表示标签矩阵。

如图3所示，所述步骤S4中XGBoost对特征向量进行特征重构变换方法具体包括：

步骤S4.1：以原有特征矩阵Z作为XGBoost算法的输入，并为XGBoost构建一组决策树组合，其中每一棵决策树的非叶子节点表示对原有特征的属性测试，叶子结点表示对原有特征属性测试结果的分布，其取值为0或1。所得决策树组合的叶子结点总数为N′

步骤S4.2：对于每一棵决策树，自其根结点起，特征取值与非叶子结点所表示的特征属性进行比较，并根据比较结果决定下一比较分支，直到叶子结点作为最终的比较结果。

步骤S4.3：所述步骤S4.2中选中的叶子结点置为1，其余叶子结点置为0，将所有的叶子结点依决策树叶子结点排列顺序从左至右进行取值组合，所得结果为新构建的特征向量矩阵Q，其矩阵大小为P×(N′+1)。

如图3所示，所述步骤S5具体包括：

多任务逻辑回归分类器由用于动作分类的逻辑回归分类器1和用于专业性水平分类的逻辑回归分类器2并联构成，多任务逻辑回归分类器的参数训练主要包括：

步骤S5.1:以训练数据集合Q的前N列数据矩阵Q_1～N′作为逻辑回归分类器1的输入；以第N′+1列数据Q_1+N′作为逻辑回归分类器1的期望输出，则多任务逻辑回归分类器1的参数集合描述为：

其中，

表示矩阵Q_1～N′的转置矩阵。θ表示逻辑回归分类器1的参数集合。逻辑回归分类器1可实现动作类型分类。

步骤S5.2:选取动作集合Q中任意已分类毽球动作作为目标动作，数据集合Q中表示该动作的前p行数据作为特定动作特征矩阵F，其大小为p×N，特定动作矩阵F作为逻辑回归分类器2的输入；以第N′+1列数据F_N′+1作为逻辑回归分类器2的期望输出，则多任务逻辑回归分类器2的参数集合描述为：

其中，

表示矩阵F_1～N′的转置矩阵。μ表示逻辑回归分类器2的参数集合。逻辑回归分类器2可实现动作水平分类

步骤S5.3：参数θ和参数μ的并联组合，构成多任务逻辑回归分类器的参数集合。

本发明提出了的技术系统与方法利用智能可穿戴式设备和机器学习算法对毽球的基本动作(正脚背发球和脚内侧踢球)进行识别分类，识别出是正脚背发球或者是脚内侧踢球，并对动作进行水平等级分类，识别出不同毽球动作完成的水平等级是专业水平或是业余水平。该系统与方法可应用到日常球队的训练中，帮助教员们对学生的水平进行客观的评判，且能帮助学生们精准地掌握这些毽球技术。

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 (4)

1.一种基于可穿戴设备的毽球动作识别与水平等级评估方法，其特征在于，该方法包括以下步骤：

S1：通过智能可穿戴式设备采集毽球运动中产生的训练数据样本，训练数据样本包括三轴加速度和三轴角速度共六维数据；

S2：对训练数据进行清洗去噪，滑动均值滤波；

S3：对预处理后的训练数据进行相同窗口大小的动作片段提取，建立动作轨迹模型；

S4：对轨迹模型进行特征构建，包括六维数据的七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，共计42个特征向量，并运用极端梯度提升算法对特征向量进行特征重构变换；

S5：构建毽球动作的多任务逻辑回归分类器，利用处理后的训练数据对多任务逻辑回归分类器进行训练，选择出最优模型参数，得到分类算法模型；

S6：采集毽球运动中产生的待分类的测试数据样本，利用训练完成的多任务逻辑回归分类器对测试数据样本进行分类，输出分类预测结果；将输出的分类预测结果与真实情况进行对比，计算多任务逻辑回归分类器分类的准确率；

所述步骤S3具体包括：

对预处理的数据矩阵按照动作完成时间进行切割，划分成P个数据段，每个数据段划分方法描述为：每个动作数据段中的绝对最大值做为基准点B，并以基准点B作为参考点对所有数据段进行前向切割和后向切割，向前切割m个时域数据，向后切割n个时域数据，单个动作任一坐标轴轴数据片段为(B-α,B+β)，得到大小为L×P的动作信号数据矩阵Z，L代表保留的单个数据段的长度，其大小为(α+β)×6；

所述步骤S4具体包括：

对于动作数据矩阵Z，采用七个特征指标：最大值、最小值、平均值、方差、标准差、均方根和极差，对矩阵Z中的六轴数据进行运算，共计得到42个特征向量；根据数据采集的情况对每组数据进行标记，对动作类型和动作完成者等级的标记，另外得到大小为P×(N+1)的带标签矩阵Z，Z∈R^P×(N+1)其中Q表示特征矩阵，N表示特征数量，1表示标签矩阵；

所述步骤S4中的极端梯度提升算法XGBoost具体步骤包括：

步骤S4.1：以原有特征矩阵Z作为极端梯度提升算法XGBoost的输入，并为极端梯度提升算法XGBoost构建一组决策树组合，其中每一棵决策树的非叶子节点表示对原有特征的属性测试，叶子结点表示对原有特征属性测试结果的分布，其取值为0或1；所得决策树组合的叶子结点总数为N′；

步骤S4.2：对于每一棵决策树，自其根结点起，特征取值与非叶子结点所表示的特征属性进行比较，并根据比较结果决定下一比较分支，直到叶子结点作为最终的比较结果；

步骤S4.3：所述步骤S4.2中选中的叶子结点置为1，其余叶子结点置为0，将所有的叶子结点依决策树叶子结点排列顺序从左至右进行取值组合，所得结果为新构建的特征向量矩阵Q，其矩阵大小为P×(N′+1)；

所述步骤S5具体包括：

多任务逻辑回归分类器由用于动作分类的逻辑回归分类器1和用于专业性水平分类的逻辑回归分类器2并联构成，多任务逻辑回归分类器的参数训练主要包括：

步骤S5.1:以训练数据集合Q的前N列数据矩阵Q_1～N′作为逻辑回归分类器1的输入；以第N′+1列数据Q_1+N′作为逻辑回归分类器1的期望输出，则多任务逻辑回归分类器1的参数集合描述为：

其中，

表示矩阵Q_1～N′的转置矩阵；θ表示逻辑回归分类器1的参数集合；逻辑回归分类器1可实现动作类型分类；

步骤S5.2:选取动作集合Q中任意已分类毽球动作作为目标动作，数据集合Q中表示该动作的前p行数据作为特定动作特征矩阵F，其大小为p×N，特定动作矩阵F作为逻辑回归分类器2的输入；以第N′+1列数据F_N′+1作为逻辑回归分类器2的期望输出，则多任务逻辑回归分类器2的参数集合描述为：

其中，

表示矩阵F_1～N′的转置矩阵；μ表示逻辑回归分类器2的参数集合；逻辑回归分类器2可实现动作水平分类；

步骤S5.3：参数θ和参数μ的并联组合，构成多任务逻辑回归分类器的参数集合。

2.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法，其特征在于，所述步骤S1具体包括：

测试者在脚踝外侧穿戴智能设备，智能设备采用惯性传感器，在指定区域做出毽球运动中的指定动作；指定动作的类别包括：脚内侧踢球、脚外侧踢球、脚背踢球、传球、正脚背发球；对于不同类别的动作，智能可穿戴设备通过蓝牙传输模块将惯性传感器收集的运动数据传送至智能移动设备；智能可穿戴设备内置惯性传感器在每个采样点上采集三维空间中x轴、y轴和z轴角速度和三维空间中的x轴、y轴和z轴加速度；最终收集到对应的数据矩阵

P表示采集的动作数量，S_i代表完成单个完整动作中任一坐标轴包含的动作信号数据的个数。

3.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法，其特征在于，所述步骤S2中滑动均值滤波的方法具体包括：

对收集到的数据矩阵运用滑动均值滤波处理，对于训练数据样本中单个完整动作原始型号S＝(s₁,s2,…,s_m,…)，用长度为r的时间窗口从信号序列F的队首依次向后滑动，计算窗口内的平均值

作为s_m点的输出，其中r为奇数，其向后偏移的窗口大小为

4.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法，其特征在于，该方法通过基于可穿戴设备的毽球动作识别与水平等级评估系统实现，该系统包括：智能可穿戴传感器(100)、移动终端(200)、计算机(300)和云存储服务器(400)；其中：

所述智能可穿戴传感器内设有加速度计(101)和陀螺仪(102)，所述加速度(101)用于产生三维空间中x轴、y轴、z轴加速度数据，所述陀螺仪(102)用于产生三维空间中x轴、y轴、z轴角速度数据；

所述移动终端(200)为智能平板电脑或智能手机，其通过蓝牙与所述智能可穿戴传感器(100)连接，用于将所述智能可穿戴传感器(100)采集的运动数据传输至所述移动终端(200)，通过无线网络与所述云存储服务器(400)连接，用于传输运动数据至云存储服务器(400)；

所述计算机(300)装配有极端梯度提升算法XGBoost和逻辑回归分类算法，其用于所述系统的训练阶段，与所述智能可穿戴式设备(100)所产生的数据连接，用所述数据的特征向量训练XGBoost和多任务逻辑回归分类模型(301)，并对所述模型进行参数调试，最后得到最优XGBoost梯度提升算法和逻辑回归分类模型(401)并传输至所述云存储服务器(400)。

Images