CN114596451A - 基于ai视觉的体适能测试方法、装置及存储介质 - Google Patents
基于ai视觉的体适能测试方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114596451A CN114596451A CN202210347820.2A CN202210347820A CN114596451A CN 114596451 A CN114596451 A CN 114596451A CN 202210347820 A CN202210347820 A CN 202210347820A CN 114596451 A CN114596451 A CN 114596451A
- Authority
- CN
- China
- Prior art keywords
- test
- user
- action
- result
- preset
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 276
- 230000009471 action Effects 0.000 claims abstract description 248
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010998 test method Methods 0.000 claims abstract description 14
- 238000013441 quality evaluation Methods 0.000 claims description 56
- 210000003423 ankle Anatomy 0.000 claims description 32
- 210000003127 knee Anatomy 0.000 claims description 26
- 210000000115 thoracic cavity Anatomy 0.000 claims description 21
- 210000000689 upper leg Anatomy 0.000 claims description 20
- 210000003141 lower extremity Anatomy 0.000 claims description 18
- 210000001364 upper extremity Anatomy 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 210000004247 hand Anatomy 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 15
- 210000001015 abdomen Anatomy 0.000 claims description 14
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 13
- 238000005452 bending Methods 0.000 claims description 12
- 210000000707 wrist Anatomy 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 4
- 244000309466 calf Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 210000003811 finger Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000004936 left thumb Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000004935 right thumb Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明是关于一种基于AI视觉的体适能测试方法、装置及存储介质，方法包括：获取预进行体适能测试的用户的基本信息；在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；根据所述基本信息和所述测试结果输出体适能测试结果。通过该技术方案，通过移动终端自带的摄像头即可进行体适能测试。
Description
技术领域
本发明涉及AI视觉算法技术领域，尤其涉及一种基于AI视觉的体适能测试方法、装置及存储介质。
背景技术
目前的市面上的体适能测试主要有两种方式：一种是线下健身房在教练指导下进行测试；一种是依赖于智能硬件设备来进行，比如说健身镜、体测仪等。智能硬件设备主要是通过设备上的传感器来识别用户的动作，再通过AI算法对用户的某方面体适能情况进行评估。
然而，上述的现有技术方案仍然有让用户不够方便以及体验不佳之处：
1)必须购买硬件设备才行，具有一定的测试门槛。
2)不能随时随地进行测试。
发明内容
为克服相关技术中存在的问题，本发明提供一种基于AI视觉的体适能测试方法、装置及存储介质，从而实现不依赖额外的硬件设备，只需要通过移动终端自带的摄像头即可进行体适能测试，实现随时随地想测就测，从而方便用户监测自己的健康体适能水平变化情况。
根据本发明实施例的第一方面，提供一种基于AI视觉的体适能测试方法，用于移动终端，所述方法包括：
获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
在一个实施例中，优选地，所述方法还包括：
检测所述用户的全身是否处于展示页面的预设检测框内；
当检测到所述用户的全身未处于所述预设检测框内时，输出对应的提示信息，以提示用户全身进入所述预设检测框内。
在一个实施例中，优选地，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像，包括：
确定所述用户的性别；
当所述用户的性别为男时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、标准俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈；
当所述用户的性别为女时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、跪姿俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈。
在一个实施例中，优选地，通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像，包括：
获取所述用户在所述预设展示时长内，每次根据测试动作图像做出的实际动作图像；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果，包括：
将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果；
输出所述用户本次实际动作的动作质量评估结果和针对本次实际动作的纠错指导；
根据用户每次实际动作的质量评估结果，采用预设评分规则计算所述用户的每项测试动作对应的测试得分结果。
在一个实施例中，优选地，将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果，包括：
当所述测试动作为开合跳时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户左大腿和右大腿之间的夹角是否大于第一预设夹角；
当所述用户左大腿和右大腿之间的夹角大于第一预设夹角时，输出第一动作质量评估结果；
当所述用户左大腿和右大腿之间的夹角小于或等于第一预设夹角时，输出第二动作质量评估结果；
当所述测试动作为跪姿俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角是否小于第二预设夹角；
当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角小于第二预设夹角时，输出第一动作质量评估结果；
当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角大于或等于第二预设夹角时，输出第二动作质量评估结果；
当所述测试动作为标准俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角是否小于第三预设夹角；
当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角小于第三预设夹角时，输出第一动作质量评估结果；
当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角大于或等于第三预设夹角时，输出第二动作质量评估结果；
当所述测试动作为摸膝卷腹时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的脊柱与水平线之间的夹角是否大于第四预设夹角；
当所述用户的脊柱与水平线之间的夹角大于第四预设夹角时，输出第一动作质量评估结果；
当所述用户的脊柱与水平线之间的夹角小于或等于第四预设夹角时，输出第二动作质量评估结果；
当所述测试动作为徒手深蹲时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户脚踝到臀部的垂直距离与小腿长度之间的比值是否小于第一预设值；
当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值小于第一预设值时，输出第一动作质量评估结果；
当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值大于或等于第一预设值时，输出第二动作质量评估结果；
当所述测试动作为坐位体前屈时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户手腕和脚踝的水平距离与小腿长度之间的比值是否小于第二预设值；
当所述用户手腕和脚踝的水平距离与小腿长度之间的比值小于第二预设值时，输出第一动作质量评估结果；
当所述用户手腕和脚踝的水平距离与小腿长度之间的比值大于或等于第二预设值时，输出第二动作质量评估结果。
在一个实施例中，优选地，根据所述基本信息和所述测试结果输出体适能测试结果，包括：
根据所述基本信息，计算所述用户的BMI值和BMR值，以输出体质结果；
根据测试动作开合跳对应的测试结果，输出心肺耐力结果；
根据测试动作标准俯卧撑或跪姿俯卧撑对应的测试结果，输出上肢耐力结果；
根据测试动作摸膝卷腹对应的测试结果，输出核心耐力结果；
根据测试动作徒手深蹲对应的测试结果，输出下肢耐力结果；
根据测试动作坐位体前屈对应的测试结果，输出柔韧性结果；
根据所述体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果和心肺耐力结果，输出综合评价结果。
在一个实施例中，优选地，所述方法还包括：
所述体适能测试结果还包括每个测试动作对应的得分要点。
根据本发明实施例的第二方面，提供一种AI视觉的体适能测试方装置，于移动终端，所述装置包括：
第一获取模块，用于获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
展示模块，用于在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
第二获取模块，用于通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
预测模块，用于通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
评估模块，用于根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
输出模块，用于根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
根据本发明实施例的第三方面，提供一种基于AI视觉的体适能测试装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，可以通过移动终端的摄像模组，如摄像头等来获取进行体适能测试时的图像，并通过AI视觉算法对用户动作进行规范化，持久化的识别，并进一步根据识别结果评估用户动作的得分，从而实现体适能测试结果的输出，这样，不依赖额外的硬件设备，只需要通过移动终端自带的摄像头即可进行体适能测试，实现随时随地想测就测，从而方便用户监测自己的健康体适能水平变化情况。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于AI视觉的体适能测试方法的流程图。
图2是根据一示例性实施例示出的另一种基于AI视觉的体适能测试方法的流程图。
图3是根据一示例性实施例示出的一种基于AI视觉的体适能测试方法中步骤S102的流程图。
图4是根据一示例性实施例示出的又一种基于AI视觉的体适能测试方法的流程图。
图5A和图5B是根据一示例性实施例示出的体适能测试结果的示意图。
图6是根据一示例性实施例示出的一种基于AI视觉的体适能测试装置的框图。
图7是根据一示例性实施例示出的另一种基于AI视觉的体适能测试装置的框图。
图8是根据一示例性实施例示出的一种基于AI视觉的体适能测试装置中展示模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于AI视觉的体适能测试方法的流程图。
如图1所示，根据本发明实施例的第一方面，提供一种基于AI视觉的体适能测试方法，用于移动终端，所述方法包括：
步骤S101，获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
步骤S102，在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；用户的性别不同，体适能测试的项目和评分也会有区别，因此，根据用户性别进行区分，更有针对性。
步骤S103，通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；摄像模组可以是移动终端的摄像头，如手机的摄像头。
步骤S104，通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；将实际动作图像输入值预设的人体姿态估计模型，输出的是人体关键点预测数据，具体包括：右脚踝、右膝盖、右臀部、左臀部、左膝盖、左脚踝、重心、胸椎骨、脖子顶部、头的顶部、右手腕、右肘部、右肩膀、左肩膀、左肘部、左手腕、左脚大拇指、左脚小拇指、左脚脚后跟、右脚大拇指、右脚小拇指、右脚脚后跟、腰椎骨、右手大拇指指尖、右手中指指尖、左手大拇指指尖和左手中指指尖等。
步骤S105，根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
步骤S106，根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
在该实施例中，可以通过移动终端的摄像模组，如摄像头等来获取进行体适能测试时的图像，并通过AI视觉算法对用户动作进行规范化，持久化的识别，并进一步根据识别结果评估用户动作的得分，从而实现体适能测试结果的输出，这样，不依赖额外的硬件设备，只需要通过移动终端自带的摄像头即可进行体适能测试，实现随时随地想测就测，从而方便用户监测自己的健康体适能水平变化情况。
图2是根据一示例性实施例示出的另一种基于AI视觉的体适能测试方法的流程图。
如图2所示，在一个实施例中，优选地，所述方法还包括：
步骤S201，检测所述用户的全身是否处于展示页面的预设检测框内；
步骤S202，当检测到所述用户的全身未处于所述预设检测框内时，输出对应的提示信息，以提示用户全身进入所述预设检测框内。
在该实施例中，当进行体适能测试时，首先需要用户全身处于展示页面的预设检测框内，从而保证图像检测的准确性和完整性，如果用户全身未处于预设检测框，可以对用户进行具体提示，比如，用户身体偏向于页面的右侧，则提示用户向左移动，或者用户离移动终端距离较近，导致未全身进入，则提示用户远离移动终端，反之，提示用户近一些。
图3是根据一示例性实施例示出的一种基于AI视觉的体适能测试方法中步骤S102的流程图。
如图3所示，在一个实施例中，优选地，上述步骤S102包括：
步骤S301，确定所述用户的性别；
步骤S302，当所述用户的性别为男时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、标准俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈；
步骤S303，当所述用户的性别为女时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、跪姿俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈。
在该实施例中，针对不同性别，测试动作有所不同，从而更有针对性的进行体适能测试。而在具体展示测试动作图像时，可以每个测试动作重复多次进行展示，用户也根据重复次数，完成对应次数的实际动作。
图4是根据一示例性实施例示出的又一种基于AI视觉的体适能测试方法的流程图。
如图4所示，在一个实施例中，优选地，上述步骤S103包括：
步骤S401，获取所述用户在所述预设展示时长内，每次根据测试动作图像做出的实际动作图像；
步骤S104包括：
步骤S402，将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果；
具体地，当所述测试动作为开合跳时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户左大腿和右大腿之间的夹角是否大于第一预设夹角；当所述用户左大腿和右大腿之间的夹角大于第一预设夹角时，输出第一动作质量评估结果；当所述用户左大腿和右大腿之间的夹角小于或等于第一预设夹角时，输出第二动作质量评估结果。
例如，第一预设夹角为30°，用户左大腿和右大腿之间的夹角＞30°，则在用户完成本次实际动作后，实时输出perfect的结果，如果≤30°，输出good的结果。
当所述测试动作为跪姿俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角是否小于第二预设夹角；当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角小于第二预设夹角时，输出第一动作质量评估结果；当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角大于或等于第二预设夹角时，输出第二动作质量评估结果；
例如，第二预设夹角为10°，则当用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角小于10°时，实时输出perfect的结果，如果大于或等于10°，则实时输出good的结果。
当所述测试动作为标准俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角是否小于第三预设夹角；当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角小于第三预设夹角时，输出第一动作质量评估结果；当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角大于或等于第三预设夹角时，输出第二动作质量评估结果；
例如，第三预设夹角为6°，用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角小于6°时，实时输出perfect的结果，如果大于或等于6°，则实时输出good的结果。
当所述测试动作为摸膝卷腹时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的脊柱与水平线之间的夹角是否大于第四预设夹角；当所述用户的脊柱与水平线之间的夹角大于第四预设夹角时，输出第一动作质量评估结果；当所述用户的脊柱与水平线之间的夹角小于或等于第四预设夹角时，输出第二动作质量评估结果；
例如，第四预设夹角为20°，则当用户的脊柱与水平线之间的夹角大于20°时，实时输出perfect的结果，如果小于或等于20°，则实时输出good的结果。
当所述测试动作为徒手深蹲时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户脚踝到臀部的垂直距离与小腿长度之间的比值是否小于第一预设值；当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值小于第一预设值时，输出第一动作质量评估结果；当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值大于或等于第一预设值时，输出第二动作质量评估结果；
例如，第一预设值为1.3，则用户脚踝到臀部的垂直距离与小腿长度之间的比值小于1.3时，实时输出perfect的结果，如果大于或等于1.3，则实时输出good的结果。
当所述测试动作为坐位体前屈时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户手腕和脚踝的水平距离与小腿长度之间的比值是否小于第二预设值；当所述用户手腕和脚踝的水平距离与小腿长度之间的比值小于第二预设值时，输出第一动作质量评估结果；当所述用户手腕和脚踝的水平距离与小腿长度之间的比值大于或等于第二预设值时，输出第二动作质量评估结果。
例如，第二预设值为0.33，则用户手腕和脚踝的水平距离与小腿长度之间的比值小于0.33时，实时输出perfect的结果，如果大于或等于0.33，则实时输出good的结果。
当然，除了上述两个质量评估结果外，还可以有其他更多的评估结果，用户每根据测试图像做一个动作，都会对应得到一个质量评估结果，以方便用户实时了解自己的动作质量情况。
步骤S403，输出所述用户本次实际动作的动作质量评估结果和针对本次实际动作的纠错指导；
除了会实时给出每次用户动作的质量评估之外，还可以针对用户的动作给出纠错指导，具体的，可以以语音提示的方式给出具体的纠错指导，方便用户根据纠错指导更好的完成下次动作。
步骤S404，根据用户每次实际动作的质量评估结果，采用预设评分规则计算所述用户的每项测试动作对应的测试得分结果。
每项测试动作会重复展示多次，用户也会重复运动多次，具体的，可以根据用户每次实际动作的质量评估结果，计算出用户每项测试动作的总体测试得分。例如，可以根据用户连续得到第一动作质量评估结果的次数，来具体计算每项测试动作的总体测试得分，连续得到第一动作质量评估结果的次数越多，对应的总体测试得分就越高。还可以根据总体测试得分范围的不同，进行多级评分划分，比如按照评分结果从低到高，分成五个级别，评分结果在第一评分区间的，对应的测试结果为待努力，第二评分区间的，对应的测试结果为还不错，第三评分区间的，对应的测试结果为很好，第四评分区间的，对应的测试结果为优秀，第五评分区间的，对应的测试结果为爆表赞。当然，还可以直接展示评分结果。
在一个实施例中，优选地，根据所述基本信息和所述测试结果输出体适能测试结果，包括：
根据所述基本信息，计算所述用户的BMI值和BMR值，以输出体质结果；如图5A所示，体质结果可以包括性别、年龄、身高、体重、BMR基础代谢率和BMI身体质量指数等。
根据测试动作开合跳对应的测试结果，输出心肺耐力结果；
根据测试动作标准俯卧撑或跪姿俯卧撑对应的测试结果，输出上肢耐力结果；
根据测试动作摸膝卷腹对应的测试结果，输出核心耐力结果；
根据测试动作徒手深蹲对应的测试结果，输出下肢耐力结果；
根据测试动作坐位体前屈对应的测试结果，输出柔韧性结果；
根据所述体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果和心肺耐力结果，输出综合评价结果。
优选地，所述体适能测试结果还包括每个测试动作对应的得分要点。
以下肢耐力结果为例，如图5B所示，结果中包括测试动作的总个数，得到perfect结果的个数，以及实际动作和标准动作的对比，以及动作得分要领等，还会给出课程入口，以便用户进行相应的课程训练。
图6是根据一示例性实施例示出的一种基于AI视觉的体适能测试装置的框图。
如图6所示，根据本发明实施例的第二方面，提供一种AI视觉的体适能测试方装置，用于移动终端，所述装置包括：
第一获取模块61，用于获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
展示模块62，用于在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
第二获取模块63，用于通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
预测模块64，用于通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
评估模块65，用于根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
输出模块66，用于根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
图7是根据一示例性实施例示出的另一种基于AI视觉的体适能测试装置的框图。
如图7所示，在一个实施例中，优选地，所述装置还包括：
检测模块71，用于检测所述用户的全身是否处于展示页面的预设检测框内；
提示模块72，用于当检测到所述用户的全身未处于所述预设检测框内时，输出对应的提示信息，以提示用户全身进入所述预设检测框内。
图8是根据一示例性实施例示出的一种基于AI视觉的体适能测试装置中展示模块的框图。
如图8所示，在一个实施例中，优选地，展示模块62包括：
确定单元81，用于确定所述用户的性别；
第一展示单元82，用于当所述用户的性别为男时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、标准俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈；
第二展示单元83，用于当所述用户的性别为女时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、跪姿俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈。
在一个实施例中，优选地，所述第二获取模块用于：
获取所述用户在所述预设展示时长内，每次根据测试动作图像做出的实际动作图像；
评估模块用于：
将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果；
输出所述用户本次实际动作的动作质量评估结果和针对本次实际动作的纠错指导；
根据用户每次实际动作的质量评估结果，采用预设评分规则计算所述用户的每项测试动作对应的测试得分结果。
在一个实施例中，优选地，输出模块用于：
根据所述基本信息，计算所述用户的BMI值和BMR值，以输出体质结果；
根据测试动作开合跳对应的测试结果，输出心肺耐力结果；
根据测试动作标准俯卧撑或跪姿俯卧撑对应的测试结果，输出上肢耐力结果；
根据测试动作摸膝卷腹对应的测试结果，输出核心耐力结果；
根据测试动作徒手深蹲对应的测试结果，输出下肢耐力结果；
根据测试动作坐位体前屈对应的测试结果，输出柔韧性结果；
根据所述体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果和心肺耐力结果，输出综合评价结果。
在一个实施例中，优选地，所述方法还包括：
所述体适能测试结果还包括每个测试动作对应的得分要点。
根据本发明实施例的第三方面，提供一种基于AI视觉的体适能测试装置，用于移动终端，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第二方面的实施例中任一项所述方法的步骤。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于AI视觉的体适能测试方法，其特征在于，用于移动终端，所述方法包括：
获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
检测所述用户的全身是否处于展示页面的预设检测框内；
当检测到所述用户的全身未处于所述预设检测框内时，输出对应的提示信息，以提示用户全身进入所述预设检测框内。
3.根据权利要求1所述的方法，其特征在于，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像，包括：
确定所述用户的性别；
当所述用户的性别为男时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、标准俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈；
当所述用户的性别为女时，按照预设测试动作输出顺序，依次输出并展示多个测试动作图像，其中，每个测试动作图像按照对应的预设展示时长和重复次数进行展示，测试动作包括：开合跳、跪姿俯卧撑、摸膝卷腹、徒手深蹲和坐位体前屈。
4.根据权利要求3所述的方法，其特征在于，通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像，包括：
获取所述用户在所述预设展示时长内，每次根据测试动作图像做出的实际动作图像；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果，包括：
将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果；
输出所述用户本次实际动作的动作质量评估结果和针对本次实际动作的纠错指导；
根据用户每次实际动作的质量评估结果，采用预设评分规则计算所述用户的每项测试动作对应的测试得分结果。
5.根据权利要求4所述的方法，其特征在于，将所述用户每次的实际动作图像对应的人体关键点预测数据和测试动作的预设评估标准进行对比评估，得到所述用户本次实际动作的动作质量评估结果，包括：
当所述测试动作为开合跳时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户左大腿和右大腿之间的夹角是否大于第一预设夹角；
当所述用户左大腿和右大腿之间的夹角大于第一预设夹角时，输出第一动作质量评估结果；
当所述用户左大腿和右大腿之间的夹角小于或等于第一预设夹角时，输出第二动作质量评估结果；
当所述测试动作为跪姿俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角是否小于第二预设夹角；
当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角小于第二预设夹角时，输出第一动作质量评估结果；
当所述用户的胸椎骨和膝盖所对应的线段与水平线之间的夹角大于或等于第二预设夹角时，输出第二动作质量评估结果；
当所述测试动作为标准俯卧撑时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角是否小于第三预设夹角；
当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角小于第三预设夹角时，输出第一动作质量评估结果；
当所述用户的胸椎骨和脚踝所对应的线段与水平线之间的夹角大于或等于第三预设夹角时，输出第二动作质量评估结果；
当所述测试动作为摸膝卷腹时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户的脊柱与水平线之间的夹角是否大于第四预设夹角；
当所述用户的脊柱与水平线之间的夹角大于第四预设夹角时，输出第一动作质量评估结果；
当所述用户的脊柱与水平线之间的夹角小于或等于第四预设夹角时，输出第二动作质量评估结果；
当所述测试动作为徒手深蹲时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户脚踝到臀部的垂直距离与小腿长度之间的比值是否小于第一预设值；
当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值小于第一预设值时，输出第一动作质量评估结果；
当所述用户脚踝到臀部的垂直距离与小腿长度之间的比值大于或等于第一预设值时，输出第二动作质量评估结果；
当所述测试动作为坐位体前屈时，根据所述用户本次实际动作图像对应的人体关键点预测数据确定所述用户手腕和脚踝的水平距离与小腿长度之间的比值是否小于第二预设值；
当所述用户手腕和脚踝的水平距离与小腿长度之间的比值小于第二预设值时，输出第一动作质量评估结果；
当所述用户手腕和脚踝的水平距离与小腿长度之间的比值大于或等于第二预设值时，输出第二动作质量评估结果。
6.根据权利要求4所述的方法，其特征在于，根据所述基本信息和所述测试结果输出体适能测试结果，包括：
根据所述基本信息，计算所述用户的BMI值和BMR值，以输出体质结果；
根据测试动作开合跳对应的测试结果，输出心肺耐力结果；
根据测试动作标准俯卧撑或跪姿俯卧撑对应的测试结果，输出上肢耐力结果；
根据测试动作摸膝卷腹对应的测试结果，输出核心耐力结果；
根据测试动作徒手深蹲对应的测试结果，输出下肢耐力结果；
根据测试动作坐位体前屈对应的测试结果，输出柔韧性结果；
根据所述体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果和心肺耐力结果，输出综合评价结果。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
所述体适能测试结果还包括每个测试动作对应的得分要点。
8.一种基于AI视觉的体适能测试方装置，其特征在于，用于移动终端，所述装置包括：
第一获取模块，用于获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
展示模块，用于在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
第二获取模块，用于通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
预测模块，用于通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
评估模块，用于根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
输出模块，用于根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
9.一种基于AI视觉的体适能测试装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取预进行体适能测试的用户的基本信息，其中，所述基本信息包括：年龄、性别、身高和体重；
在接收到体适能测试开始指令后，根据所述用户的性别依次输出并展示对应的体适能测试的多个测试动作图像；
通过摄像模组获取所述用户根据所述测试动作图像做出的实际动作图像；
通过预设的人体姿态估计模型对所述实际动作图像进行预测，以得到人体关键点预测数据；
根据测试动作的预设评估标准和所述人体关键点预测数据，对所述用户的每个实际动作进行评估，以得到每个实际动作对应的测试结果；
根据所述基本信息和所述测试结果输出体适能测试结果，其中，所述体适能测试结果包括：体质结果、下肢耐力结果、上肢耐力结果、核心耐力结果、柔韧性结果、心肺耐力结果和综合评价结果。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210347820.2A CN114596451B (zh) | 2022-04-01 | 2022-04-01 | 基于ai视觉的体适能测试方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210347820.2A CN114596451B (zh) | 2022-04-01 | 2022-04-01 | 基于ai视觉的体适能测试方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596451A true CN114596451A (zh) | 2022-06-07 |
| CN114596451B CN114596451B (zh) | 2022-11-11 |
Family
ID=81813185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210347820.2A Active CN114596451B (zh) | 2022-04-01 | 2022-04-01 | 基于ai视觉的体适能测试方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596451B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394400A (zh) * | 2022-08-24 | 2022-11-25 | 杭州闪动信息服务有限公司 | 一种线上ai智能运动管理方法及检测系统 |
| CN116246780A (zh) * | 2022-12-14 | 2023-06-09 | 北京诺亦腾科技有限公司 | 体适能评估方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106377269A (zh) * | 2016-08-03 | 2017-02-08 | 广东技术师范学院 | 一种基于智能手机的大学生健康体适能检测方法 |
| CN110956141A (zh) * | 2019-12-02 | 2020-04-03 | 郑州大学 | 一种基于局部识别的人体连续动作快速分析方法 |
| CN111275032A (zh) * | 2020-05-07 | 2020-06-12 | 西南交通大学 | 基于人体关键点的深蹲检测方法、装置、设备及介质 |
| CN111768864A (zh) * | 2020-07-09 | 2020-10-13 | 深圳市蝙蝠云科技有限公司 | 基于物联网的青少年体适能团体测试与评估系统与方法 |
| CN112370045A (zh) * | 2020-10-15 | 2021-02-19 | 北京大学 | 基于人工智能的功能性动作检测方法及系统 |
| US20210224860A1 (en) * | 2003-04-07 | 2021-07-22 | 10Tales, Inc. | Method, system and software for digital media presentation |
| CN113553946A (zh) * | 2021-07-22 | 2021-10-26 | 深圳市慧鲤科技有限公司 | 信息提示方法及装置、电子设备和存储介质 |
| CN113947809A (zh) * | 2021-09-18 | 2022-01-18 | 杭州电子科技大学 | 一种基于标准视频的舞蹈动作可视化分析系统 |
-
2022
- 2022-04-01 CN CN202210347820.2A patent/CN114596451B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210224860A1 (en) * | 2003-04-07 | 2021-07-22 | 10Tales, Inc. | Method, system and software for digital media presentation |
| CN106377269A (zh) * | 2016-08-03 | 2017-02-08 | 广东技术师范学院 | 一种基于智能手机的大学生健康体适能检测方法 |
| CN110956141A (zh) * | 2019-12-02 | 2020-04-03 | 郑州大学 | 一种基于局部识别的人体连续动作快速分析方法 |
| CN111275032A (zh) * | 2020-05-07 | 2020-06-12 | 西南交通大学 | 基于人体关键点的深蹲检测方法、装置、设备及介质 |
| CN111768864A (zh) * | 2020-07-09 | 2020-10-13 | 深圳市蝙蝠云科技有限公司 | 基于物联网的青少年体适能团体测试与评估系统与方法 |
| CN112370045A (zh) * | 2020-10-15 | 2021-02-19 | 北京大学 | 基于人工智能的功能性动作检测方法及系统 |
| CN113553946A (zh) * | 2021-07-22 | 2021-10-26 | 深圳市慧鲤科技有限公司 | 信息提示方法及装置、电子设备和存储介质 |
| CN113947809A (zh) * | 2021-09-18 | 2022-01-18 | 杭州电子科技大学 | 一种基于标准视频的舞蹈动作可视化分析系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394400A (zh) * | 2022-08-24 | 2022-11-25 | 杭州闪动信息服务有限公司 | 一种线上ai智能运动管理方法及检测系统 |
| CN116246780A (zh) * | 2022-12-14 | 2023-06-09 | 北京诺亦腾科技有限公司 | 体适能评估方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596451B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114596451B (zh) | 基于ai视觉的体适能测试方法、装置及存储介质 | |
| CN110495889B (zh) | 体态评估方法、电子装置、计算机设备及存储介质 | |
| KR101959079B1 (ko) | 신체 측정 및 평가 방법 | |
| KR20230056118A (ko) | 신체능력에 따른 운동프로그램 추천 시스템 | |
| US20180133551A1 (en) | System and method for personalized exercise training and coaching | |
| CN109637625B (zh) | 自学习式健身计划生成系统 | |
| CN103127691B (zh) | 视频生成装置及方法 | |
| KR101859549B1 (ko) | 웨어러블 센서 기반의 동작 훈련 가이드 시스템 및 그 방법 | |
| US8391969B2 (en) | Body composition monitor, measurement result output method, and measurement result output program product | |
| JP2002253534A (ja) | 運動能力の評価が可能な重心検出装置 | |
| US20230000409A1 (en) | Fatigue estimation system, estimation device, and fatigue estimation method | |
| CN111883229B (zh) | 一种基于视觉ai的智能运动指导方法及系统 | |
| JP2021049319A (ja) | リハビリ動作評価方法及びリハビリ動作評価装置 | |
| JP2021051400A (ja) | リハビリ支援装置、リハビリ支援システム及びリハビリ支援方法 | |
| US20200405216A1 (en) | Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and recording medium | |
| CN112070031A (zh) | 体态检测方法、装置及设备 | |
| CN113255622B (zh) | 一种智能识别仰卧起坐动作姿态完成状况的系统和方法 | |
| CN112791367A (zh) | 运动辅助装置及运动辅助方法 | |
| Abbott et al. | Physiotherapists could detect changes of 12 degrees or more in single-plane movement when observing forward bending, squat or hand-over-head: A cross-sectional experiment | |
| JP6440210B2 (ja) | リハビリ評価装置、リハビリ評価方法及びプログラム | |
| CN113842622B (zh) | 一种运动教学方法、装置、系统、电子设备及存储介质 | |
| KR101276734B1 (ko) | 신체 각부의 유연성 테스트 시스템 및 유연성 테스트 방법 | |
| JP2020048867A (ja) | トレーニング支援方法および装置 | |
| CN113641856A (zh) | 用于输出信息的方法和装置 | |
| Chang et al. | iFitness: A Deep Learning-Based Physical Fitness Motion Detection System for Elderly People |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240315 Address after: Room 2, 4, 5, and 6, 9th Floor, Building 1, Building E3, No. 1268, Tianfu Avenue Middle Section, Chengdu High tech Zone, China (Sichuan) Pilot Free Trade Zone, Chengdu, Sichuan Province, 610000 Patentee after: Chengdu Zeche Technology Co.,Ltd. Country or region after: China Address before: 1078, block C, e world, Haidian Street, Haidian District, Beijing 100080 Patentee before: Now start (Beijing) Intelligent Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |