CN114344873B - 一种预摆动作类型识别方法、系统及设备 - Google Patents
一种预摆动作类型识别方法、系统及设备 Download PDFInfo
- Publication number
- CN114344873B CN114344873B CN202210043327.1A CN202210043327A CN114344873B CN 114344873 B CN114344873 B CN 114344873B CN 202210043327 A CN202210043327 A CN 202210043327A CN 114344873 B CN114344873 B CN 114344873B
- Authority
- CN
- China
- Prior art keywords
- axis acceleration
- swing
- user
- time points
- standing
- 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
Links
Images
Abstract
本申请实施例公开了一种预摆动作类型识别方法、系统及设备,属于人体运动分析技术领域,其中,一种预摆动作类型识别方法,包括:获取用户在预摆阶段的预摆运动数据,其中,预摆运动数据包括用户在预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度;基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型,具有对预摆动作类型进行识别分析,进而辅助学生对预摆动作进行校正的优点。
Description
技术领域
本发明涉及人体运动分析领域,具体涉及一种预摆动作类型识别方法、系统及设备。
背景技术
立定跳远运动是指不用助跑从立定姿势开始的跳远,是集弹跳、爆发力、身体的协调性和技术等方面的身体素质于一体的运动。2014年《国家学生体质健康标准》中规定立定跳远是初中、高中、大学每年体质测试的必测项目,也成为衡量学生身体素质的重要因素之一。
目前用于立定跳远运动分析的技术,大多为时间测量、距离测量,也就是对立定跳远的结果进行测量,而无法获取人体运动的过程数据,也就无法对预摆动作类型进行识别分析,进而无法辅助学生对预摆动作进行校正。
发明内容
本说明书实施例之一提供一种预摆动作类型识别方法,包括:获取用户在预摆阶段的预摆运动数据,其中,所述预摆运动数据包括所述用户在所述预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度;基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型。
现有技术中,对立定跳远的预摆动作进行分析时,一般通过人工对预摆动作进行纠正,或者通常采用图像分析的方式对预摆动作进行分析,但会存在采集的图像质量过低或图像中存在大量因用户运动产生的伪影的情况,导致分析的用户预摆特征准确度较低,无法为用户调整预摆动作提供有效帮助,本方法可以通过传感器获取用户在预摆阶段的预摆运动数据,基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型,可以获取更加准确的用户的预摆动作特征,有效帮助用户调整预摆动作,提高立定跳远成绩。
所述获取用户在预摆阶段的预摆运动数据,包括:获取所述用户在立定跳远过程的全过程运动数据,所述全过程运动数据包括所述用户在所述立定跳远过程的多个时间点的Z轴加速度、Y轴加速度及X轴加速度;基于所述全过程运动数据确定所述Z轴加速度随时间变化的Z轴加速度全过程波动信息及所述X轴加速度随时间变化的X轴加速度全过程波动信息中的至少一个;基于所述Z轴加速度全过程波动信息及所述X轴加速度全过程波动信息中的至少一个从所述多个时间点中确定所述多个预摆时间点;基于所述多个预摆时间点从所述全过程运动数据中获取所述预摆运动数据。
所述基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户在所述预摆阶段的预摆动作类型,包括:基于所述用户在所述多个预摆时间点的所述Z轴加速度及所述X轴加速度,确定所述Z轴加速度随时间变化的Z轴加速度预摆波动信息及所述X轴加速度随时间变化的X轴加速度预摆波动信息;基于所述Z轴加速度预摆波动信息及所述X轴加速度预摆波动信息判断所述用户在所述预摆阶段是否踮脚;若判断所述用户在所述预摆阶段踮脚,基于所述Y轴加速度预摆波动信息,获取下蹲运动信息;若判断所述用户未在所述预摆阶段踮脚,基于所述用户在所述多个预摆时间点的所述Y轴加速度,获取所述下蹲运动信息。
所述基于所述X轴加速度预摆波动信息,获取下蹲运动信息,包括:基于所述Z轴加速度预摆波动信息,获取所述Y轴加速度随时间变化的Y轴加速度曲线;获取所述Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;基于所述Y轴加速度波峰数量及所述Y轴加速度波动频率确定所述下蹲运动信息。
所述基于所述用户在所述多个预摆时间点的所述Y轴加速度,获取所述下蹲运动信息,包括:获取所述预摆阶段的所述Y轴加速度随时间变化的Y轴加速度曲线;获取所述Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;基于所述Y轴加速度波峰数量及所述Y轴加速度波动频率确定所述下蹲运动信息。
所述基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户在所述预摆阶段的预摆动作类型,还包括:获取所述Z轴加速度曲线的Z轴加速度极差;基于所述Z轴加速度极差确定所述用户的下蹲落地类型。
所述方法还包括:基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度,确定所述用户在至少一个预摆时间点的预摆幅度;基于所述用户在所述至少一个预摆时间点的预摆幅度及预设幅度阈值,输出提示信息。
所述基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型,包括:通过神经网络模型基于所述用户在所述多个时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型。
本说明书实施例之一提供一种预摆动作类型识别系统,包括:数据获取模块,包括运动传感器及数据处理单元,所述运动传感器用于获取用户在多个时间点的运动信息,所述数据处理单元用于基于所述运动信息获取所述用户在预摆阶段的预摆运动数据,其中,所述预摆运动数据包括所述用户在所述预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度;动作识别模块,用于基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型。
本说明书实施例之一提供一种预摆动作类型识别设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的预摆动作类型识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1是根据本申请一些实施例所示的一种预摆动作类型识别系统的应用场景示意图;
图2是根据本申请的一些实施例所示的一种预摆动作类型识别系统的示例性框图;
图3是根据本说明书一些实施例所示的一种预摆动作类型识别方法的示例性流程图;
图4a是根据本说明书一些实施例所示的用于展示用户在多个时间点的X轴加速度的示意图;
图4b是根据本说明书一些实施例所示的用于展示用户在多个时间点的Y轴加速度;
图4c是根据本说明书一些实施例所示的用于展示用户在多个时间点的Z轴加速度的示意图。
图中,100、一种预摆动作类型识别系统;110、处理设备;120、网络;130、传感器;140、存储设备;150、终端设备。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1是根据本申请一些实施例所示的一种预摆动作类型识别系统100的应用场景示意图。
如图1所示,预摆动作类型识别系统100可以包括处理设备110、网络120、传感器130、存储设备140及终端设备150。
预摆动作类型识别系统100可以对学生运动提供帮助。例如可以用于识别学生在立定跳远过程中的预摆动作并进行分析,有效帮助学生校正不规范的预摆动作,提高立定跳远的成绩。需要注意的是,一种预摆动作类型识别系统100还可以应用在其它需要进行运动动作识别的设备、场景和应用程序中,在此不作限定,任何可以使用本申请所包含的一种预摆动作类型识别方法的设备、场景和/或应用程序都在本申请的保护范围内。
处理设备110可以用于处理与预摆动作识别相关的信息和/或数据。例如,处理设备110可以用于接收用户在预摆阶段的预摆运动数据,其中,预摆运动数据包括用户在预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度,并基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型。
处理设备110可以是区域的或者远程的。例如,处理设备110可以通过网络120访问存储于终端设备150和存储设备140中的信息和/或资料。处理设备110可以直接与终端设备150和存储设备140连接以访问存储于其中的信息和/或资料。处理设备110可以在云平台上执行。例如,该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
处理设备110可以包含处理器。该处理器可以处理与预摆动作识别相关的数据和/或信息以执行一个或多个本申请中描述的功能。例如,处理器可以接收用户在预摆阶段的预摆运动数据。又例如,处理器可以基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型。处理器可以包含一个或多个子处理器(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理器可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进一种预摆动作类型识别系统100中数据和/或信息的交换。一种预摆动作类型识别系统100中的一个或多个组件(例如,处理设备110、传感器130、存储设备140及终端设备150)可以通过网络120发送数据和/或信息给一种预摆动作类型识别系统100中的其他组件。例如,处理设备110可以通过网络120从传感器130获取用户在预摆阶段的预摆运动数据。网络120可以是任意类型的有线或无线网络。例如,网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区域网络(WLAN)、都会区域网络(ZAN)、公共电话交换网络(PSTN)、蓝牙网络、XigBee网络、近场通讯(NFC)网络等或以上任意组合。网络120可以包括一个或多个网络进出点。例如,网络120可以包含有线或无线网络进出点,如基站和/或网际网络交换点,通过这些进出点,一种预摆动作类型识别系统100的一个或多个组件可以连接到网络120上以交换数据和/或信息。
传感器130可以用于获取在立定跳远过程的全过程运动数据,并将在立定跳远过程的全过程运动数据发送至处理设备110,处理设备110可以从全过程运动数据中获取预摆运动数据。传感器130获取的全过程运动数据可以包括用户在立定跳远过程的多个时间点的Z轴加速度、Y轴加速度及X轴加速度。传感器130可以为用于获取用户的Z轴加速度、Y轴加速度及X轴加速度的设备,例如,十轴传感器、九轴传感器、六轴传感器、三轴传感器等,在实际应用中佩戴在用户的脚踝处。
存储设备140可以与网络120连接以实现与一种预摆动作类型识别系统100的一个或多个组件(例如,处理设备110、终端设备150等)通讯。一种预摆动作类型识别系统100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。存储设备140可以直接与一种预摆动作类型识别系统100中的一个或多个组件(如,处理设备110、终端设备150)连接或通讯。存储设备140可以是处理设备110的一部分。处理设备110还可以位于终端设备150中。
终端设备150可以获取一种预摆动作类型识别系统100中的信息或数据。用户(例如,学生或老师)可以通过终端设备150获取预摆动作类型。终端设备150可以包括移动装置、平板电脑、笔记本电脑等中的一种或其任意组合。移动装置可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰、智能手柄等或其任意组合。智能行动装置可以包括智能电话、个人数字助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性的实施例。例如,存储设备140可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本申请的范围。
图2是根据本申请的一些实施例所示的一种预摆动作类型识别系统100的示例性框图。
如图2所示,预摆动作类型识别系统100包括数据获取模块及动作识别模块。
数据获取模块可以包括运动传感器(例如,传感器130)及数据处理单元,运动传感器用于获取用户在多个时间点的运动信息,数据处理单元用于基于运动信息获取用户在预摆阶段的预摆运动数据,其中,预摆运动数据包括用户在预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度。数据处理单元可以实现在处理设备110上。运动传感器(例如,传感器130)可以获取用户在立定跳远过程的全过程运动数据,全过程运动数据包括用户在立定跳远过程的多个时间点的Z轴加速度、Y轴加速度及X轴加速度。数据处理单元可以基于全过程运动数据确定Z轴加速度随时间变化的Z轴加速度全过程波动信息、Y轴加速度随时间变化的Y轴加速度全过程波动信息及X轴加速度随时间变化的X轴加速度全过程波动信息中的至少一个;并基于Z轴加速度全过程波动信息、Y轴加速度全过程波动信息及X轴加速度全过程波动信息中的至少一个从多个时间点中确定多个预摆时间点;再基于多个预摆时间点从全过程运动数据中获取预摆运动数据。
动作识别模块用于基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型。动作识别模块可以实现在处理设备110上。动作识别模块可以基于用户在多个预摆时间点的Z轴加速度及X轴加速度,确定Z轴加速度随时间变化的Z轴加速度预摆波动信息及X轴加速度随时间变化的X轴加速度预摆波动信息;并基于Z轴加速度预摆波动信息及X轴加速度预摆波动信息判断用户在预摆阶段是否踮脚;若判断用户在预摆阶段踮脚,基于Y轴加速度预摆波动信息,获取下蹲运动信息;若判断用户未在预摆阶段踮脚,基于用户在多个预摆时间点的Y轴加速度,获取下蹲运动信息。
图3是根据本说明书一些实施例所示的一种预摆动作类型识别方法的示例性流程图。如图3所示,预摆动作类型识别方法包括下述步骤。预摆动作类型识别方法可以由一种预摆动作类型识别系统100执行。下面呈现的一种预摆动作类型识别方法的操作示意图是说明性的。可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图3中示出的和下面描述的一种预摆动作类型识别方法的操作的顺序不旨在是限制性的。
步骤310,获取用户在预摆阶段的预摆运动数据,其中,预摆运动数据包括用户在预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度。
立定跳远动作由预摆、起跳、展腹、收腹、伸腿、落地六个部分组成。其中,预摆动作可以为:两脚左右开立,与肩同宽,两臂前后摆动,前摆时,两腿伸直,后摆时,屈膝降低重心,上体稍前倾,手尽量往后摆。
可以通过运动传感器(例如,传感器130)按照预设周期(例如,0.05秒一次)获取用户在预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度。其中,预摆时间点为在用户进行预摆动作过程(即预摆阶段)中运动传感器获取沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度的时间点,相邻两个预摆时间点的间隔与预设周期一致,例如,预设周期为0.05秒,则相邻两个预摆时间点的间隔为0.05秒。运动传感器(例如,传感器130)可以为用于获取用户的Z轴加速度、Y轴加速度及X轴加速度的设备,例如,十轴传感器、九轴传感器、六轴传感器、三轴传感器等。
沿上下方向的Z轴加速度可以为沿着竖直方向的加速度,可以以竖直向上的方向为Z轴的正方向。沿左右方向的Y轴加速度可以为与水平面平行且从用户的左侧到右侧或从右侧到左侧的方向的加速度。沿前后方向的X轴加速度可以为与水平面平行且从用户的前方到后方或从后方到前方的方向的加速度。
获取用户在预摆阶段的预摆运动数据,可以包括以下步骤311-314。
步骤311,获取用户在立定跳远过程的全过程运动数据,全过程运动数据包括用户在立定跳远过程的多个时间点的Z轴加速度、Y轴加速度及X轴加速度。
可以通过运动传感器(例如,传感器130)按照上述的预测周期(例如,0.05秒一次)获取用户在多个时间点的Z轴加速度、Y轴加速度及X轴加速度,其中,相邻两个时间点的间隔与预设周期一致,例如,预设周期为0.05秒,则相邻两个时间点的间隔为0.05秒。
步骤312,基于全过程运动数据确定Z轴加速度随时间变化的Z轴加速度全过程波动信息、Y轴加速度随时间变化的Y轴加速度全过程波动信息及X轴加速度随时间变化的X轴加速度全过程波动信息中的至少一个。
Z轴加速度全过程波动信息可以表征Z轴加速度随时间变化的过程,Z轴加速度全过程波动信息可以表示为Z轴加速度随时间变化的曲线;Y轴加速度全过程波动信息可以表征Y轴加速度随时间变化的过程,Y轴加速度全过程波动信息可以表示为Y轴加速度随时间变化的曲线;X轴加速度全过程波动信息可以表征X轴加速度随时间变化的过程,X轴加速度全过程波动信息可以表示为X轴加速度随时间变化的曲线。
步骤313,基于Z轴加速度全过程波动信息及X轴加速度全过程波动信息中的至少一个从多个时间点中确定多个预摆时间点。
可以基于Z轴加速度全过程波动信息从多个时间点中确定多个预摆时间点。立定跳远动作由预摆、起跳、展腹、收腹、伸腿、落地六个部分组成,在起跳之前的过程(即预摆阶段)为:以向上为Z轴正方向,在预摆动作进行之前,用户先保持静止状态,该用户的Z轴加速度为0,在用户开始进行预摆动作的瞬间,Z轴加速度的加速变在该时刻增大(即非零状态),可以将该时刻作为预摆开始时间点,随着用户持续进行预摆动作,Z轴加速度随时间变化的曲线发生波动,当Z轴加速度在某个时刻第一次大于预设Z轴加速度阈值时,即可判断用户在该时刻起跳,将该时刻作为起跳时间点,可以将预摆开始时间点、起跳时间点以及开始时间点与起跳时间点之间的时间点均作为预摆时间点。结合图4c,可以将Z轴加速度随时间变化的曲线中的从时间点a(即预摆开始时间点)至时间点b(即起跳时间点)之间的曲线作为用户在预摆阶段Z轴加速度随时间变化的曲线。
可以基于X轴加速度全过程波动信息从多个时间点中确定多个预摆时间点。立定跳远动作由预摆、起跳、展腹、收腹、伸腿、落地六个部分组成,在起跳之前的过程(即预摆阶段)为:以向前为X轴正方向,在预摆动作进行之前,用户先保持静止状态,该用户的X轴加速度为0,在用户开始进行预摆动作的瞬间,X轴加速度的加速变在该时刻增大(即非零状态),可以将该时刻作为预摆开始时间点,随着用户持续进行预摆动作,X轴加速度随时间变化的曲线发生波动,当X轴加速度在某个时刻第一次大于预设X轴加速度阈值时,即可判断用户在该时刻起跳,将该时刻作为起跳时间点,可以将预摆开始时间点、起跳时间点以及开始时间点与起跳时间点之间的时间点均作为预摆时间点。结合图4a,可以将X轴加速度随时间变化的曲线中的时间点c(即预摆开始时间点)及时间点d(即起跳时间点)之间的曲线作为用户在预摆阶段X轴加速度随时间变化的曲线。
为了提高获取的多个预摆时间点的准确度,还可以基于Z轴加速度全过程波动信息及X轴加速度全过程波动信息从多个时间点中确定多个预摆时间点。例如,先基于Z轴加速度及X轴加速度确定预摆开始时间点,其中,预摆开始时间点可以为前一个时间点的Z轴加速度及X轴加速度均为0,而该时间点的Z轴加速度及X轴加速度均不为0的时间点,再基于Z轴加速度及X轴加速度确定起跳时间点,其中,起跳时间点为在该时刻Z轴加速度大于预设Z轴加速度阈值且X轴加速度大于预设X轴加速度阈值的时间点,将预摆开始时间点、起跳时间点以及开始时间点与起跳时间点之间的时间点均作为预摆时间点。
步骤314,基于多个预摆时间点从全过程运动数据中获取预摆运动数据。
可以将全过程运动数据中预摆时间点对应的Z轴加速度、Y轴加速度及X轴加速度作为预摆运动数据。
步骤320,基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型。
可以基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型识别用户在预摆过程中的踮脚信息及下蹲运动信息,基于踮脚信息及下蹲运动信息确定用户的预摆动作类型。
可以通过神经网络模型基于用户在多个时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型。神经网络模型可以包括但不限于深度神经网络模型、循环神经网络模型、自定义的模型结构等。
还可以通过以下步骤311-314,基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户在预摆阶段的预摆动作类型。
步骤311,基于用户在多个预摆时间点的Z轴加速度及X轴加速度,确定Z轴加速度随时间变化的Z轴加速度预摆波动信息及X轴加速度随时间变化的X轴加速度预摆波动信息。
Z轴加速度预摆波动信息可以表征在多个预摆时间点Z轴加速度随时间变化的过程,参照图4a,Z轴加速度全过程波动信息表示为在多个预摆时间点Z轴加速度随时间变化的曲线。X轴加速度预摆波动信息可以表征在多个预摆时间点X轴加速度随时间变化的过程,参照图4c,X轴加速度全过程波动信息表示为在多个预摆时间点X轴加速度随时间变化的曲线。
步骤312,基于Z轴加速度预摆波动信息及X轴加速度预摆波动信息判断用户在预摆阶段是否踮脚。
可以基于在多个预摆时间点Z轴加速度随时间变化的曲线及X轴加速度随时间变化的曲线,确定Z轴加速度及X轴加速度在预摆阶段的波动情况,进而根据Z轴加速度及X轴加速度在预摆阶段的波动情况判断用户在预摆阶段是否踮脚。可以基于Z轴加速度随时间变化的曲线的Z轴加速度波峰的数量及X轴加速度随时间变化的曲线的X轴加速度波峰的数量,确定Z轴加速度及X轴加速度在预摆阶段的波动情况。其中,当某个预摆时间点对应的Z轴加速度大于前一个预摆时间点的Z轴加速度且大于后一个预摆时间点的Z轴加速度,则可以确定在多个预摆时间点Z轴加速度随时间变化的曲线在该预摆时间点存在一个Z轴加速度波峰;同理,当某个预摆时间点对应的X轴加速度大于前一个预摆时间点的X轴加速度且大于后一个预摆时间点的X轴加速度,则可以确定在多个预摆时间点X轴加速度随时间变化的曲线在该预摆时间点存在一个X轴加速度波峰。
可以基于Z轴加速度随时间变化的曲线的Z轴加速度波峰的数量及X轴加速度随时间变化的曲线的X轴加速度波峰的数量判断用户在预摆阶段是否踮脚。例如,当Z轴加速度随时间变化的曲线的Z轴加速度波峰的数量大于预设数量阈值(例如,5)且X轴加速度随时间变化的曲线的X轴加速度波峰的数量大于预设数量阈值(例如,5),则可以判断用户在预摆阶段踮脚。
步骤313,若判断用户在预摆阶段踮脚,基于Y轴加速度预摆波动信息,获取下蹲运动信息。
若判断用户在预摆阶段踮脚,可以基于Y轴加速度预摆波动信息判断用户在预摆动阶段是否下蹲以及下蹲的次数。
基于Y轴加速度预摆波动信息,获取下蹲运动信息可以包括:基于Y轴加速度预摆波动信息,获取Y轴加速度随时间变化的Y轴加速度曲线;获取Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;基于Y轴加速度波峰数量及Y轴加速度波动频率确定下蹲运动信息。Y轴加速度曲线可以表征在多个预摆时间点Y轴加速度随时间变化的过程。当某个预摆时间点对应的Y轴加速度大于前一个预摆时间点的Y轴加速度且大于后一个预摆时间点的Y轴加速度,则可以确定Y轴加速度曲线在该预摆时间点存在一个Y轴加速度波峰。
可以基于YY轴加速度曲线的Y轴加速度波峰确定用户在预摆阶段的下蹲数量。例如,可以获取每个Y轴加速度波峰对应的Y轴加速度,并将每个Y轴加速度波峰对应的Y轴加速度与预设的下蹲Y轴加速度阈值进行比较,确定对应的Y轴加速度大于下蹲Y轴加速度阈值的Y轴加速度波峰的数量,可以将对应的Y轴加速度大于下蹲Y轴加速度阈值的Y轴加速度波峰的数量作为用户在预摆动阶段完成的下蹲次数。
可以基于Y轴加速度波峰数量及预摆阶段对应的时长计算Y轴加速度波动频率,例如,Y轴加速度波动频率=Y轴加速度波峰数量/预摆阶段对应的时长。示例地,若预摆阶段对应的时长为5秒,Y轴加速度波峰数量为10,则Y轴加速度波动频率=10/5=2次/秒。可以基于Y轴加速度波动频率确定用户在预摆阶段下蹲过程中的是否抖腿。例如,若Y轴加速度波动频率大于预设频率阈值(例如,1次/秒),则判断用户下蹲后抖腿。
可以根据用户是否踮脚、下蹲次数以及是否抖腿确定预摆动作类型。例如,“单次踮脚”、“多次踮脚半蹲”、“单次踮脚半蹲后抖腿”、“多次踮脚半蹲后抖腿”等。
还可以获取Z轴加速度曲线的Z轴加速度极差;基于Z轴加速度极差确定用户的下蹲落地类型。可以基于Z轴加速度曲线的Z轴加速度最大值和Z轴加速度最小值计算Z轴加速度极差。例如,Z轴加速度极差=Z轴加速度最大值-Z轴加速度最小值。可以比较Z轴加速度极差及预设Z轴加速度极差阈值确定用户的下蹲落地类型。例如,当Z轴加速度极差大于预设Z轴加速度极差阈值时,判断用户的下蹲落地类型为全脚掌落地;当Z轴加速度极差小于预设Z轴加速度极差阈值时,判断用户的下蹲落地类型为前脚掌落地。
可以根据用户是否踮脚、下蹲次数、是否抖腿以及下蹲落地类型确定预摆动作类型。例如,“单次踮脚后前脚掌落地”、“多次踮脚半蹲后前脚掌落地”、“单次踮脚半蹲后抖腿后全脚掌落地”、“多次踮脚半蹲后抖腿后全脚掌落地”等。
步骤314,若判断用户未在预摆阶段踮脚,基于用户在多个预摆时间点的Y轴加速度,获取下蹲运动信息。
可以基于用户在多个预摆时间点的Y轴加速度,判断用户在预摆动阶段是否下蹲以及下蹲的次数。
基于用户在多个预摆时间点的Y轴加速度,获取下蹲运动信息,可以包括:获取如图4b所示的预摆阶段的Y轴加速度随时间变化的Y轴加速度曲线;获取Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;基于Y轴加速度波峰数量及Y轴加速度波动频率确定下蹲运动信息。其中,Y轴加速度曲线可以表征在多个预摆时间点Y轴加速度随时间变化的过程。当某个预摆时间点对应的Y轴加速度大于前一个预摆时间点的Y轴加速度且大于后一个预摆时间点的Y轴加速度,则可以确定在多个预摆时间点Y轴加速度随时间变化的曲线在该预摆时间点存在一个Y轴加速度波峰。
可以基于Y轴加速度曲线的Y轴加速度波峰确定用户在预摆阶段的下蹲数量。例如,可以获取每个Y轴加速度波峰对应的Y轴加速度,并将每个Y轴加速度波峰对应的Y轴加速度与预设的下蹲Y轴加速度阈值进行比较,确定对应的Y轴加速度大于下蹲Y轴加速度阈值的Y轴加速度波峰的数量,可以将对应的Y轴加速度大于下蹲Y轴加速度阈值的Y轴加速度波峰的数量作为用户在预摆动阶段完成的下蹲次数。
可以基于Y轴加速度波峰数量及预摆阶段对应的时长计算Y轴加速度波动频率,例如,Y轴加速度波动频率=Y轴加速度波峰数量/预摆阶段对应的时长。示例地,若预摆阶段对应的时长为5秒,Y轴加速度波峰数量为10,则Y轴加速度波动频率=10/5=2次/秒。可以基于Y轴加速度波动频率确定用户在预摆阶段下蹲过程中的是否抖腿。例如,若Y轴加速度波动频率大于预设频率阈值(例如,1次/秒),则判断用户下蹲后抖腿。
可以根据用户是否踮脚、下蹲次数以及是否抖腿确定预摆动作类型。例如,“单次踮脚”、“多次踮脚半蹲”、“单次踮脚半蹲后抖腿”、“多次踮脚半蹲后抖腿”等。
还可以获取Z轴加速度曲线的Z轴加速度极差;基于Z轴加速度极差确定用户的下蹲落地类型。可以基于Z轴加速度曲线的Z轴加速度最大值和Z轴加速度最小值计算Z轴加速度极差。例如,Z轴加速度极差=Z轴加速度最大值-Z轴加速度最小值。可以比较Z轴加速度极差及预设Z轴加速度极差阈值确定用户的下蹲落地类型。例如,当Z轴加速度极差大于预设Z轴加速度极差阈值时,判断用户的下蹲落地类型为全脚掌落地;当Z轴加速度极差小于预设Z轴加速度极差阈值时,判断用户的下蹲落地类型为前脚掌落地。
可以根据用户是否踮脚、下蹲次数、是否抖腿以及下蹲落地类型确定预摆动作类型。例如,“单次踮脚后前脚掌落地”、“多次踮脚半蹲后前脚掌落地”、“单次踮脚半蹲后抖腿后全脚掌落地”、“多次踮脚半蹲后抖腿后全脚掌落地”等。
一种预摆动作类型识别方法还可以包括:基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度,确定用户在至少一个预摆时间点的预摆幅度;基于用户在至少一个预摆时间点的预摆幅度及预设幅度阈值,输出提示信息。
可以基于每个预摆时间点对应的Z轴加速度、Y轴加速度及X轴加速度的加权结果确定该预摆时间点的预摆幅度。例如,预摆幅度=Q1*Z轴加速度+Q2*Y轴加速度+Q3*X轴加速度,其中,Q1为Z轴加速度的权重,Q2为Y轴加速度的权重,Q3为X轴加速度的权重。
当用户在至少一个预摆时间点的预摆幅度大于预设幅度阈值时,输出提示信息(例如,语音信息、灯光信息等),提示信息可以包括预摆幅度大于预设幅度阈值的预摆时间点。
本申请的一些实施例还提供一种预摆动作类型识别设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行程序时实现上述的预摆动作类型识别方法。
一种预摆动作类型识别方法、系统及设备可以精确地识别用户的预摆动作类型,可以协助判断用户的立定跳远动作的预摆动作是否合适,并帮助用户改善立定跳远动作。比如某些类型的预摆动作应当被禁止,某些某些类型的预摆动作可以被允许,但预摆幅度要在一定范围内,由此即可帮助用户直观发现自己的问题,从而改善立定跳远的成绩。
现有技术中,对立定跳远的预摆动作进行分析时,一般通过人工对预摆动作进行纠正,或者通常采用图像分析的方式对预摆动作进行分析,但会存在采集的图像质量过低或图像中存在大量因用户运动产生的伪影的情况,导致分析的用户预摆特征准确度较低,无法为用户调整预摆动作提供有效帮助,本方法可以通过传感器获取用户在预摆阶段的预摆运动数据,基于用户在多个预摆时间点的Z轴加速度、Y轴加速度及X轴加速度确定用户的预摆动作类型,可以获取更加准确的用户的预摆动作特征,有效帮助用户调整预摆动作,提高立定跳远成绩。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROZ、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种预摆动作类型识别方法,其特征在于,包括:
获取用户在预摆阶段的预摆运动数据,包括获取所述用户在立定跳远过程的全过程运动数据,所述全过程运动数据包括所述用户在所述立定跳远过程的多个时间点的Z轴加速度、Y轴加速度及X轴加速度;
基于所述全过程运动数据确定所述Z轴加速度随时间变化的Z轴加速度全过程波动信息及所述X轴加速度随时间变化的X轴加速度全过程波动信息中的至少一个;
基于所述Z轴加速度全过程波动信息及所述X轴加速度全过程波动信息中的至少一个从所述多个时间点中确定多个预摆时间点;
基于所述多个预摆时间点从所述全过程运动数据中获取所述预摆运动数据;所述预摆运动数据包括所述用户在所述预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度;
基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型,基于所述用户在所述多个预摆时间点的所述Z轴加速度及所述X轴加速度,确定所述Z轴加速度随时间变化的Z轴加速度预摆波动信息及所述X轴加速度随时间变化的X轴加速度预摆波动信息;
基于所述Z轴加速度预摆波动信息及所述X轴加速度预摆波动信息判断所述用户在所述预摆阶段是否踮脚;
若判断所述用户在所述预摆阶段踮脚,基于所述Y轴加速度预摆波动信息,获取下蹲运动信息;
若判断所述用户未在所述预摆阶段踮脚,基于所述用户在所述多个预摆时间点的所述Y轴加速度,获取所述下蹲运动信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述Y轴加速度预摆波动信息,获取下蹲运动信息,包括:
基于所述Y轴加速度预摆波动信息,获取所述Y轴加速度随时间变化的Y轴加速度曲线;
获取所述Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;
基于所述Y轴加速度波峰数量及所述Y轴加速度波动频率确定所述下蹲运动信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述用户在所述多个预摆时间点的所述Y轴加速度,获取所述下蹲运动信息,包括:
获取所述预摆阶段的所述Y轴加速度随时间变化的Y轴加速度曲线;
获取所述Y轴加速度曲线的Y轴加速度波峰数量及Y轴加速度波动频率;
基于所述Y轴加速度波峰数量及所述Y轴加速度波动频率确定所述下蹲运动信息。
4.根据权利要求2所述的方法,其特征在于,所述基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户在所述预摆阶段的预摆动作类型,还包括:
获取所述Z轴加速度曲线的Z轴加速度极差;
基于所述Z轴加速度极差确定所述用户的下蹲落地类型。
5.根据权利要求1-4任意一项所述的方法,其特征在于,还包括:
基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度,确定所述用户在至少一个预摆时间点的预摆幅度;
基于所述用户在所述至少一个预摆时间点的预摆幅度及预设幅度阈值,输出提示信息。
6.根据权利要求1-4任意一项所述的方法,其特征在于,所述基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型,包括:
通过神经网络模型基于所述用户在所述多个时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型。
7.一种预摆动作类型识别系统,其特征在于,包括:
数据获取模块,包括运动传感器及数据处理单元,所述运动传感器用于获取用户在多个时间点的运动信息,所述数据处理单元用于基于全过程运动数据确定Z轴加速度随时间变化的Z轴加速度全过程波动信息及X轴加速度随时间变化的X轴加速度全过程波动信息中的至少一个;所述数据处理单元还用于基于所述Z轴加速度全过程波动信息及所述X轴加速度全过程波动信息中的至少一个从所述多个时间点中确定多个预摆时间点,并基于所述多个预摆时间点从所述全过程运动数据中获取预摆运动数据;所述数据处理单元还用于基于所述运动信息获取所述用户在预摆阶段的预摆运动数据,其中,所述预摆运动数据包括所述用户在所述预摆阶段的多个预摆时间点的沿上下方向的Z轴加速度、沿左右方向的Y轴加速度及沿前后方向的X轴加速度;
动作识别模块,用于基于所述用户在所述多个预摆时间点的所述Z轴加速度、所述Y轴加速度及所述X轴加速度确定所述用户的预摆动作类型,还用于基于所述用户在所述多个预摆时间点的所述Z轴加速度及所述X轴加速度,确定所述Z轴加速度随时间变化的Z轴加速度预摆波动信息及所述X轴加速度随时间变化的X轴加速度预摆波动信息;还用于基于所述Z轴加速度预摆波动信息及所述X轴加速度预摆波动信息判断所述用户在所述预摆阶段是否踮脚;若判断所述用户在所述预摆阶段踮脚,基于所述Y轴加速度预摆波动信息,获取下蹲运动信息;若判断所述用户未在所述预摆阶段踮脚,基于所述用户在所述多个预摆时间点的所述Y轴加速度,获取所述下蹲运动信息。
8.一种预摆动作类型识别设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6中任一项所述的预摆动作类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043327.1A CN114344873B (zh) | 2022-01-14 | 2022-01-14 | 一种预摆动作类型识别方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043327.1A CN114344873B (zh) | 2022-01-14 | 2022-01-14 | 一种预摆动作类型识别方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114344873A CN114344873A (zh) | 2022-04-15 |
CN114344873B true CN114344873B (zh) | 2023-04-07 |
Family
ID=81090971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210043327.1A Active CN114344873B (zh) | 2022-01-14 | 2022-01-14 | 一种预摆动作类型识别方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114344873B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310192A (zh) * | 2013-06-06 | 2013-09-18 | 南京邮电大学 | 一种基于单轴加速度传感器的运动行为识别方法 |
CN110180158A (zh) * | 2019-07-02 | 2019-08-30 | 乐跑体育互联网(武汉)有限公司 | 一种跑步状态识别方法、系统及终端设备 |
CN113790734A (zh) * | 2021-08-04 | 2021-12-14 | 广州瑞芯康智能科技有限公司 | 一种基于摆臂轴的计步方法、系统和终端设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9566021B2 (en) * | 2012-09-12 | 2017-02-14 | Alpinereplay, Inc. | Systems and methods for synchronized display of athletic maneuvers |
CN106618584B (zh) * | 2015-11-10 | 2019-11-22 | 北京纳通科技集团有限公司 | 一种用于监测用户下肢运动的方法 |
CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
CN112169296B (zh) * | 2019-07-05 | 2021-10-22 | 荣耀终端有限公司 | 一种运动数据监测方法和装置 |
CN110624220B (zh) * | 2019-09-04 | 2021-05-04 | 福建师范大学 | 最优立定跳远技术模板的获取方法 |
CN212679933U (zh) * | 2020-07-09 | 2021-03-12 | 合肥工业大学 | 一种基于多传感器的立定跳远辅助训练装置 |
-
2022
- 2022-01-14 CN CN202210043327.1A patent/CN114344873B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310192A (zh) * | 2013-06-06 | 2013-09-18 | 南京邮电大学 | 一种基于单轴加速度传感器的运动行为识别方法 |
CN110180158A (zh) * | 2019-07-02 | 2019-08-30 | 乐跑体育互联网(武汉)有限公司 | 一种跑步状态识别方法、系统及终端设备 |
CN113790734A (zh) * | 2021-08-04 | 2021-12-14 | 广州瑞芯康智能科技有限公司 | 一种基于摆臂轴的计步方法、系统和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114344873A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3209396B1 (en) | Methods and systems for training proper running of a user | |
US10271790B2 (en) | Methods and systems for training proper gait of a user | |
EP2497547A2 (en) | Information processing program, information processing apparatus, information processing system, and information processing method | |
EP3703009A1 (en) | Motion state evaluation system, motion state evaluation device, motion state evaluation server, motion state evaluation method, and motion state evaluation program | |
CN109310913B (zh) | 三维模拟方法及装置 | |
WO2019049216A1 (ja) | 採点方法、採点プログラムおよび採点装置 | |
CN110381910A (zh) | 步行支援系统、步行支援方法及步行支援程序 | |
JP6943294B2 (ja) | 技認識プログラム、技認識方法および技認識システム | |
WO2019231729A1 (en) | Physical activity training assistant | |
EP3057505B1 (en) | Method and apparatus for assessing the performances of an athlete that performs a gymnastic exercise | |
CN111514584B (zh) | 游戏控制方法及装置、游戏终端及存储介质 | |
JP2018121930A (ja) | 歩容の評価方法 | |
WO2014181605A1 (ja) | 歩行姿勢計およびプログラム | |
WO2016194908A1 (ja) | 指標導出装置、ウェアラブル機器及び携帯機器 | |
US20170151463A1 (en) | Method and apparatus for optimizing running performance of an individual | |
CN114344873B (zh) | 一种预摆动作类型识别方法、系统及设备 | |
JP2020022596A (ja) | 運動機能評価装置、運動機能評価システム、運動機能評価プログラムおよび運動機能評価方法 | |
JP6552875B2 (ja) | 移動運動解析装置、方法及びプログラム | |
CN114377373B (zh) | 一种起跳特征分析方法、系统及设备 | |
CN115587283A (zh) | 一种伸腿动作分析方法、系统及设备 | |
CN115530807A (zh) | 一种展腹动作分析方法、系统及设备 | |
CN115587282A (zh) | 一种落地特征分析方法、系统及设备 | |
WO2022250099A1 (ja) | 情報処理装置、電子機器、情報処理システム、情報処理方法及びプログラム | |
CN115530806A (zh) | 一种收腹动作分析方法、系统及设备 | |
Nagano et al. | Optimal digital filter cutoff frequency of jumping kinematics evaluated through computer simulation |
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 |