CN114298089A - 一种多模态力量训练辅助方法和系统 - Google Patents

一种多模态力量训练辅助方法和系统 Download PDF

Info

Publication number
CN114298089A
CN114298089A CN202111509855.3A CN202111509855A CN114298089A CN 114298089 A CN114298089 A CN 114298089A CN 202111509855 A CN202111509855 A CN 202111509855A CN 114298089 A CN114298089 A CN 114298089A
Authority
CN
China
Prior art keywords
training
strength training
strength
user
brain
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
Application number
CN202111509855.3A
Other languages
English (en)
Inventor
王璐
涂栋亮
王泰华
伍楷舜
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202111509855.3A priority Critical patent/CN114298089A/zh
Publication of CN114298089A publication Critical patent/CN114298089A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种多模态力量训练辅助方法和系统。该方法:获取用户在力量训练过程的肌电信号和姿态信号,识别动作起始点,并根据提取的肌电信号特征和姿态信号特征确定力量训练信息,所述力量训练信息包括动作类型和肌群发力强度;获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,向用户反馈力量训练结果。本发明检测使用者的脑力程度并通过视觉反馈帮助使用者进入专注模式,可以自动识别和纠正常见的健身动作,提升了使用者进行力量训练动作的正确性和效率。

Description

一种多模态力量训练辅助方法和系统
技术领域
本发明涉及力量训练技术领域,更具体地,涉及一种多模态力量训练辅助方法和系统。
背景技术
随着社会的发展和进步,人们对于强健的身躯和体态有了更高的追求,力量训练可以帮助减肥,改善平衡,防止摔倒,对身心健康都至关重要。近年来,自由力量训练已经成为吸引人的锻炼方式,能够增加肌肉力量,肌肉质量和关节力量。自由力量训练由于不需要太多的器材而被广泛应用于健身和锻炼中,例如,一个哑铃可以用于各种练习。
事实上,尽管每个人锻炼目的不同,但共同的目标“高效的训练”是一致的。在力量训练中,根据所涉及的肌肉、使用的器材、动作的节奏、持续时间和复杂程度,有许多力量训练的条件。并且,在力量训练中正确的技巧和正确的姿势对于避免力量训练造成的潜在损伤至关重要。另一方面,由于没有精神集中的正确姿势并不能保证训练效果。在力量训练中,精神集中的运动,可以全方位地增强激活肌肉纤维,称为“大脑-肌肉连接”,它比一个人能举起的重量更重要,比熟练使用设备更有价值,甚至比重复的节奏更为关键。
研究表明,在肌肉收缩时,将注意力集中在目标肌肉上可以显著促进力的产生。因此,对于有效的训练来说,精神集中无疑是至关重要的。当生物体肌肉收缩时,会产生微弱的电流,通过附着在生物体表面的肌电极可以捕获这种生物电信号。并且,该信号和肌体运动的强度有关,肌电图可以用于记录生物体的肌肉负荷。
脑电是一种大脑皮层在脑活动时产生的电信号,脑电波可以记录大脑活动的电信号变化,从而推算大脑的状态。脑电波的监测广泛应用于临床实践中。当前研究表明,脑电波按频率可以分为四个重要的波段:δ(1~3Hz),θ(4~7Hz),α(8~13Hz)和β(14~30Hz),不同的波段代表不同的脑活动特征,例如当人体放松时α波占比升高,而当人体集中精力时,β波占比提高。
在现有技术中,虽然新兴的在线平台和移动应用程序可以指导和跟踪力量训练,但目前还没有切实可行的方法来利用大脑-肌肉连接进行监控并辅助用户的锻炼情况。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种多模态力量训练辅助方法和系统,是使用可穿戴的脑电波传感器和肌电传感器辅助力量训练的新技术方案。
根据本发明的第一方面,提供一种多模态力量训练辅助方法。该方法包括以下步骤:
获取用户在力量训练过程的肌电信号和姿态信号,识别动作起始点,并根据提取的肌电信号特征和姿态信号特征确定力量训练信息,所述力量训练信息包括动作类型和肌群发力强度;
获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;
基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,向用户反馈力量训练结果。
根据本发明的第二方面,提供一种多模态力量训练辅助系统。该系统包括:
肌电信号处理模块:用于获取用户在力量训练过程的肌电信号和姿态信号,识别动作起始点,并根据提取的肌电信号特征和姿态信号特征确定力量训练信息,所述力量训练信息包括动作类型和肌群发力强度;
脑电信号处理模块:获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;
反馈模块:用于基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,向用户反馈力量训练结果。
与现有技术相比,本发明的优点在于,创新地将检测脑部活动的脑电波应用于力量训练,利用便携式的脑电波和肌电采集终端,实现实时的肢体运动反馈并提供脑力集中度的辅助,帮助用户进行更高效的力量训练。并且,本发明还采用注意力机制的数据处理算法,有效地对运动周期中的脑电波信号进行提取,去除了数据中与肌体运动时间无关的脑电波数据,进一步放大了信号的特征。此外,本发明还使用了长短期记忆网络(LSTM)处理脑电波信号,分类得出高脑力状态和低脑力状态,显著提升了脑力状态分类的准确性,使利用脑力活动所表现的注意程度给与力量训练反馈成为可能,并提高了力量感知的准确度。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一种实施例的多模态力量训练辅助方法的流程图;
图2是根据本发明一种实施例的采集终端系统结构示意图;
图3是根据本发明一种实施例的系统工作过程示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明所提供的是基于多模态(肌电,肢体姿态,脑电波)的力量训练辅助方法,利用肌电信号判断不同运动中不同肌群发力的强度,同时检测脑力强度判断此时用户是否聚焦于训练本身,并通过可视化的反馈使用户能够沉浸于训练,这是一种创新的训练辅助方法。此外,利用注意力机制提取和放大运动状态的脑电波数据并通过深度学习的分类方法进行分类,从而判断用户脑力强度的高低。本发明是一种新颖的力量训练方法和系统,即通过训练中的肌体状态和脑部注意力强度联合反馈用户,以提高用户训练的效率。
简言之,所提供的基于多模态的力量训练辅助方法包括以下步骤:
步骤S1,获取用户在力量训练过程的肌电信号并识别动作起始点,根据提取的肌电信号特征确定力量训练信息,所述力量训练信息包括动作类型和相应肌群发力强度;
步骤S2,获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;
步骤S3,基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,以向用户反馈力量训练结果。
具体地,结合图1所示,在一个实施例中,步骤S1包括以下子步骤:
步骤S1.1,通过将肌电传感器和九轴传感器嵌入于健身T恤,用于获取特定肌群在进行力量训练过程中的肌电信号和姿态信息。
步骤S1.2,对连续采样的肌电信号和九轴传感器信号进行短周期加窗与带通滤波处理。
步骤S1.3,计算步骤S1.2中短周期内的肌电信号的中值频率。
步骤S1.4,判断所获得的短周期肌电信号的中值频率是否超过设定阈值,若超过设定阈值则说明此次动作开始,若不超过则返回步骤S1.2的下一个窗口。
步骤S1.5,对多通道肌电信号和姿态信号进行特征提取。
步骤S1.6,利用支持向量机对所提取出的肌电特征和姿态特征进行分类。
优选地,在步骤S1.2,S1.3和S1.4中,在收集到的连续多通道肌电信号和九轴传感器信号中,取固定时长t(例如t设置为小于0.25s)作为一个短周期窗口,该窗口的信号经过带通滤波器过滤噪音。计算多通道肌电信号的多个窗口中肌电信号的中值频率,对比该中值频率是否超过一般静止或非肌肉发力状态下的肌电中值频率,若超过阈值,则认为力量训练开始。同样的,若在多个t时刻所测量的多通道肌电信号中值频率均小于阈值,则认为该次力量训练结束。
优选地,在步骤S1.5和S1.6中,主要通过对姿态信息和多通道肌电信号在一次运动中的肢体相互夹度、中值频率、过零点数、均方根值、波形长度和平均功率进行计算,作为特征值。预先通过高斯核函数的支持向量机进行动作分类和训练,得到训练好的模型,在实际使用时,利用经训练的模型进行动作分类。
综上,在步骤S1中,通过自适应切割的方法,对单次训练的起始点进行分片,避免了人为地记录运动的起始。由于肌电传感器可以记录肌肉发力的强度,九轴姿态传感器可以得到对应肌群的角度,通过对其特征的提取可以判断运动的种类,进而可以判断该运动的发力方式是否正确以及肢体的角度是否正确。同时,通过上述得到的姿态和肌群力量信息可以建模得到人体的三维模型,作为视觉反馈的数据。
对于步骤S2,在一个实施例中,采用一种创新的脑电波数据提取方式,即利用注意力机制的提取方法,通过肌电信号判断此时用户的训练状态,以最大程度提取运动周期内的脑电波信号。仍结合图1所示,步骤S2包括以下子步骤:
步骤S2.1,通过将脑电波传感器嵌入于发带中,获取前额Fp1的实时脑电波信号。
步骤S2.2,通过步骤S1.4中对力量训练是否开始的结果进行判断,若该结果为真,则记录下此时的脑电波数据。
步骤S2.3,通过带通滤波器获取脑电波1-30Hz内的信号,并将所得到的该次完整力量训练起始时间段内的脑电波信号分割为n个(例如取n=8)时间窗。
步骤S2.4,利用傅里叶变换得到在1-30Hz内每个时间窗上每个整数频率所占全频率比例,得到各频率分量占比。
步骤S2.5,利用注意力模型,对该次力量训练中肌肉活跃程度高时间段内的数据给予输入模型较大的权重。具体来说,将步骤S2.4中第i个时间窗记录的脑电波信号经过傅里叶变换得到的1-30Hz频率分量占比记为向量Wi=[f1,f2,f3...f30],对肌电传感器对应的测量时间窗内的第i个时间窗计算中值频率记为MFi,计算MFi所占整个动作的比例,记为Ei。将所得到的第i个时间窗内每个频率占比向量Wi与力量训练过程中表现肌肉活跃度的权重Ei相乘,既为注意力模型通过更关注力量训练过程中肌肉表现活跃部分的脑电波信号,为后续的分类提取更多的有用信息。
步骤S2.6,利用S2.5中所得到的n个输出向量,利用例如长短期记忆网络(LSTM)对脑力程度大小进行分类。
进一步地,步骤S3通过视觉展示反馈给用户,用户可以直观的感受到在此次训练中肌体的发力程度以及角度,对比标准的训练做出发力方式和姿态的调整。同时通过对脑力强度的感知在使用者未集中注意力时提醒使用者,并通过视觉显示脑力强度的高低,以帮助用户沉浸于力量训练中,提升训练效果。
相应地,本发明还提供一种多模态力量训练辅助系统,用于实现上述方法的一个方面或多个方面。例如图2是一种常见的系统组成,其中图2(a)示意了附着于肌群表面检测肌电和姿态的终端(即肌电传感器和九轴姿态传感器),图2(b)示意了头戴式的脑电波传感器和视觉反馈模块。在力量训练中,由于一组运动会有多个肌群参与,为了提高锻炼的效率,健身的目的通常为锻炼其中一个肌群的发力,当有其他肌群参与发力时意味着训练重量对使用者来说过重。这种超负荷的训练不仅会降低训练的效果,常常也会带来运动损伤的风险。而本发明针对性地提出了力量训练辅助方法。
具体地,该系统包括:感知和传输模块,其用于对于脑电波信号,多通道肌电信号,九轴姿态传感器数据的实时采集和传输;数据处理模块(如微处理器),其用于对采集的多模态信号进行处理;可视化反馈模块,其用于给予用户进行正确训练动作以及沉浸式训练的反馈数据,例如,以可视化(如虚拟现实)的方式帮助使用者调整发力方式,告知增加或减少器械重量并帮助使用者提升在训练过程中的脑力专注程度。
在一个实施例中,感知和传输模块包括以下单元:
采集单元,用于采集特定肌群的肌电信号和九轴传感器数据,前额Fp1的脑电波信号;
提取单元,用于将采集单元所采集的数据进行分帧,编码;
传输单元,将提取单元所获取的数据包以低功耗蓝牙实时传输给数据处理模块。
在一个实施例中,数据处理模块包括以下单元:
数据接收单元,对蓝牙接收到的数据包进行鉴别,判断所收集数据来自某一通道肌电信号,九轴传感器数据或是前额Fp1的脑电波信号;
数据处理单元,对所接收到的肌电信号进行预处理,特征提取,自适应分割,带通滤波,以及对所接收到的脑电波数据进行预处理,带通滤波,自适应分割,傅里叶分析;
建模单元,对于肌电信号,将训练集中关于例如五种不同的动作所提取的特征输入高斯核函数的支持向量机模型中,得到预训练的支持向量机模型。以及对于脑电信号,将训练集中关于高脑力注意,低脑力注意状态作为长短期记忆网络(LSTM)的分类结果对网络进行训练,得到预训练的长短期记忆网络(LSTM)模型;
检测单元,将处理后的肌电数据输入支持向量机模型,并将应用了注意力模型机制的脑电波数据输入预训练的长短期记忆网络(LSTM)对脑力注意程度进行分类
图3是多模态力量训练辅助系统的主要过程,包括:提取肌电信号并通过平均频率自适应切割运动窗口、利用注意力机制提取脑电信号中肌肉发力强度大时的信号并通过长短期记忆网络(LSTM)对高脑力强度和低脑力强度进行分类、通过视觉反馈用户目前肌体姿态和发力强度并通过脑力识别的结果帮助用户更好的聚焦于训练。
需要说明的是,在不违背本发明精神和范围的前提下,本领域技术人员可对上述实施例进行适当的改变或变型,例如,除了支持向量机外,也可采用神经网络模型确定动作类型和肌群发力强度,或者采用GRU(门控循环单元)代替LSTM。
综上所述,本发明提供的多模态力量训练辅助方法和系统主要包括:使用嵌入于T恤的肌电传感器测量使用者在力量训练过程中的肌电信号,识别动作起始与对应动作的种类和相应肌群发力强度;使用嵌入于发带的脑电传感器测量使用者在力量训练过程中的脑电波信号,并通过模型分类得出一个完整力量训练周期内脑部注意力强度;利用得到的力量训练信息和脑部注意力强度信息,结合使用者真实的训练中量进行分析,通过视觉模块给予反馈帮助使用者正确并高效地训练。本发明创新地使用脑电波信号结合肌电信号辅助使用者进行力量训练,不仅能够通过肌电传感器对使用者的姿态,发力方式进行矫正,还可以基于使用者运动状态的脑电信号判断其在运动中脑力强度,使用视觉反馈的方式帮助使用者更加沉浸于训练。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种多模态力量训练辅助方法,包括以下步骤:
获取用户在力量训练过程的肌电信号和姿态信号,识别动作起始点,并根据提取的肌电信号特征和姿态信号特征确定力量训练信息,所述力量训练信息包括动作类型和肌群发力强度;
获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;
基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,向用户反馈力量训练结果。
2.根据权利要求1所述的方法,其特征在于,所述识别动作起始点包括:
利用嵌入于健身T恤的肌电传感器和九轴传感器,获取目标肌群在力量训练过程中的肌电信号和姿态信号;
对连续采样的肌电信号和姿态信号进行短周期加窗以及带通滤波处理;
计算短周期内的肌电信号的中值频率;
判断所获得的短周期肌电信号的中值频率是否超过设定阈值,若超过设定阈值则说明动作开始,若在多个时刻所测量的多通道肌电信号中值频率均小于阈值,则认为该次力量训练结束,其中所述阈值根据静止或非肌肉发力状态下的肌电中值频率确定。
3.根据权利要求2所述的方法,其特征在于,所述对连续采样的肌电信号和姿态信号进行短周期加窗以及带通滤波处理包括:
在收集到的连续多通道肌电信号和姿态信号中,取固定时长t作为一个短周期窗口,该窗口的信号经过带通滤波器过滤噪音,其中t设置为小于0.25s。
4.根据权利要求1所述的方法,其特征在于,所述力量训练信息根据以下步骤获得:
利用嵌入于发带中的脑电波传感器,获取前额Fp1的实时脑电波信号;
记录完整力量训练过程中的脑电波数据;
通过带通滤波器获取脑电波1-30Hz内的信号,并将一次完整力量训练起始时间段内的脑电波信号分割为n个时间窗;
利用傅里叶变换得到在1-30Hz内每个时间窗上每个整数频率所全占全频率比例;
利用注意力模型,将n个时间窗内的频率分量占比向量进行提取,对该次力量训练中肌肉活跃程度高时间段内的数据给予较大的权重;
利用所得到的n个输出向量,利用长短期记忆网络对脑部注意力强度信息进行分类。
5.根据权利要求4所述的方法,其特征在于,所述利用注意力模型,将n个时间窗内的频率分量占比向量进行提取,对该次力量训练中肌肉活跃程度高时间段内的数据给予较大的权重包括:
将第i个时间窗记录的脑电波信号经过傅里叶变换得到的1-30Hz频率分量占比记为向量Wi=[f1,f2,f3...f30],对采集的肌电信号的测量时间窗内的第i个时间窗计算中值频率记为MFi,并计算MFi所占整个动作的比例,记为Ei
将所得到的第i个时间窗内每个频率占比向量Wi与力量训练过程中表现肌肉活跃度的权重Ei相乘。
6.根据权利要求1所述的方法,其特征在于,基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,以向用户反馈力量训练结果包括以下子步骤:
分析所获取的特定肌群的肌电信号,用户真实的训练重量、训练动作、脑力分类的结果,纠正使用者错误的发力方式,并提供推荐重量;
通过视觉反馈的方式,将用户的动作状态,设定肌群的发力程度以及脑部注意力程度进行反馈。
7.根据权利要求1所述的方法,其特征在于,利用支持向量机模型确定所述力量训练信息,该支持向量机模型的输入是多通道肌电信号特征和姿态信号特征。
8.根据权利要求1所述的方法,其特征在于,所述向用户反馈力量训练结果包括:通过可视化技术实时展示身体姿态,分析运动过程中的肢体轨迹、发力方式和脑部注意力强度信息,制定使用者训练的流程。
9.一种多模态力量训练辅助系统,包括:
肌电信号处理模块:用于获取用户在力量训练过程的肌电信号和姿态信号,识别动作起始点,并根据提取的肌电信号特征和姿态信号特征确定力量训练信息,所述力量训练信息包括动作类型和肌群发力强度;
脑电信号处理模块:获取用户在力量训练过程的脑电波信号,并根据识别出的动作起始点提取频域信号特征,进而根据所述频域信号特征确定脑部注意力强度信息;
反馈模块:用于基于所述力量训练信息和脑部注意力强调信息,结合真实的训练力量进行分析,向用户反馈力量训练结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。
CN202111509855.3A 2021-12-10 2021-12-10 一种多模态力量训练辅助方法和系统 Pending CN114298089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111509855.3A CN114298089A (zh) 2021-12-10 2021-12-10 一种多模态力量训练辅助方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111509855.3A CN114298089A (zh) 2021-12-10 2021-12-10 一种多模态力量训练辅助方法和系统

Publications (1)

Publication Number Publication Date
CN114298089A true CN114298089A (zh) 2022-04-08

Family

ID=80966810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111509855.3A Pending CN114298089A (zh) 2021-12-10 2021-12-10 一种多模态力量训练辅助方法和系统

Country Status (1)

Country Link
CN (1) CN114298089A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114756136A (zh) * 2022-06-15 2022-07-15 深圳市心流科技有限公司 一种针对肌电信号与脑电信号的训练达标提示方法及装置
WO2022194281A1 (zh) * 2021-03-19 2022-09-22 深圳市韶音科技有限公司 一种运动监控方法和设备
CN116099181A (zh) * 2023-04-07 2023-05-12 中国科学技术大学 基于元宇宙下的上肢力量训练辅助系统及其使用方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022194281A1 (zh) * 2021-03-19 2022-09-22 深圳市韶音科技有限公司 一种运动监控方法和设备
CN114756136A (zh) * 2022-06-15 2022-07-15 深圳市心流科技有限公司 一种针对肌电信号与脑电信号的训练达标提示方法及装置
CN116099181A (zh) * 2023-04-07 2023-05-12 中国科学技术大学 基于元宇宙下的上肢力量训练辅助系统及其使用方法

Similar Documents

Publication Publication Date Title
Thiam et al. Multi-modal pain intensity recognition based on the senseemotion database
Bulagang et al. A review of recent approaches for emotion classification using electrocardiography and electrodermography signals
Shair et al. EMG processing based measures of fatigue assessment during manual lifting
Butkevičiūtė et al. Removal of movement artefact for mobile EEG analysis in sports exercises
CN114298089A (zh) 一种多模态力量训练辅助方法和系统
EP2698112B1 (en) Real-time stress determination of an individual
JP2020034849A (ja) 作業支援装置、作業支援方法及び作業支援プログラム
US20070179396A1 (en) Method and System for Detecting and Classifying Facial Muscle Movements
CN107981997B (zh) 一种基于人脑运动意图的智能轮椅控制方法及系统
Djamal et al. Identification of post-stroke EEG signal using wavelet and convolutional neural networks
Liu et al. How Long Are Various Types of Daily Activities? Statistical Analysis of a Multimodal Wearable Sensor-based Human Activity Dataset.
CN112932486A (zh) 基于多模态的大学生情绪压力检测系统与方法
KR20200071647A (ko) 가상/증강현실 콘텐츠 및 생체신호에 기반한 정신질환 진단 및 치유를 위한 바이오피드백 방법
CN104571504A (zh) 一种基于想象动作的在线脑-机接口方法
Zhang et al. Upper limb motion capturing and classification for unsupervised stroke rehabilitation
Majumder et al. A real-time cardiac monitoring using a multisensory smart IoT system
Örücü et al. Design and Validation of Multichannel Wireless Wearable SEMG System for Real‐Time Training Performance Monitoring
Li et al. Detecting self-paced walking intention based on fNIRS technology for the development of BCI
Irani et al. Contactless measurement of muscles fatigue by tracking facial feature points in a video
KR101527273B1 (ko) 전두엽 부착형 뇌파신호 검출 및 뇌파기반 집중력 분석 방법 및 장치
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Cruz et al. Facial Expression Recognition based on EOG toward Emotion Detection for Human-Robot Interaction.
Alhammadi et al. Cursor Control Using electroencephalogram (EEG) Technology
Anantamek et al. Recognition of yoga poses using EMG signals from lower limb muscles
CN113749656A (zh) 基于多维生理信号的情感识别方法和装置

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