CN114788951B - 手持运动分析系统与方法 - Google Patents
手持运动分析系统与方法 Download PDFInfo
- Publication number
- CN114788951B CN114788951B CN202110101775.8A CN202110101775A CN114788951B CN 114788951 B CN114788951 B CN 114788951B CN 202110101775 A CN202110101775 A CN 202110101775A CN 114788951 B CN114788951 B CN 114788951B
- Authority
- CN
- China
- Prior art keywords
- signal
- ball
- hand
- action
- batting
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 134
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims description 42
- 230000009471 action Effects 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 26
- 230000005484 gravity Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 210000002478 hand joint Anatomy 0.000 claims 2
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000002360 preparation method Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000005496 eutectics Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 102100028717 Cytosolic 5'-nucleotidase 3A Human genes 0.000 description 3
- 241000219745 Lupinus Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/40—Acceleration
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/50—Force related parameters
- A63B2220/58—Measurement of force related parameters by electric or magnetic means
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
- A63B2220/833—Sensors arranged on the exercise apparatus or sports implement
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Physical Education & Sports Medicine (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种手持运动分析系统与方法。该系统包括信号感测模块、服务器以及显示模块。信号感测模块设置于手持球具,并感测手持球具的击球动作且输出感测信号。服务器与信号感测模块耦接,服务器包括一个或多个处理单元及记忆单元,一个或多个处理单元与记忆单元耦接,记忆单元储存一个或多个程序指令,当该一个或多个程序指令被该一个或多个处理单元执行时,一个或多个处理单元进行:姿态估测步骤、击球轨迹重建步骤、击球分期侦测步骤、击球球种辨识步骤及击球动作一致性评估步骤。显示模块与服务器耦接,显示模块呈现分析结果。
Description
技术领域
本发明涉及一种分析系统与方法,特别涉及一种手持运动分析系统及分析 方法。
背景技术
球类运动,例如羽毛球、桌球、或网球等,由于入门门坎低,场地取得也 相对容易,相当受到一般人的喜爱。但是,要成为职业运动员则相当不容易, 除了需付出相当的努力之外,可能也需要击球动作分析系统的辅助。
传统用于研究击球运动的动作分析系统中,研究者为了撷取击球动作的过 程,必须架设高速摄影机,并将摄影机取得的影像传送到计算机,另外再接传 输线连接保持在预期触发状态的运动传感器(sensor),以记录击球过程的信息并 将其传送至计算机设备中。
然而,公知的动作分析系统必须考虑摄影机的架设角度以利拍摄,在实验 测试前必须将标志点固定于受试者的关节上以利在进行身体角度分析时能有明 确的点选目标;在拍摄影像后必须拍摄一段比例尺(例如长一米)画面以利数据的转换;且使用红外线发射器及接收器的设计而形成非常复杂笨重的分析系 统,不但使用上麻烦不便、只能用于特定场所使用,而且价格昂贵,在实验拍 摄的过程、数据的处理和分析等程序中会因人为因素而产生极大的误差。
因此,如何提供一种手持运动分析系统及分析方法,除了具有方便、专业 且实用经济的优点外,还可实时且客观地提供相关的击球指标,已是相当重要 的课题之一。
发明内容
有鉴于上述课题,本发明的目的为提供一种手持运动分析系统与方法,相 比于公知的击球动作分析系统来说,本发明除了具有方便、专业且实用经济的 优点外,还可实时且客观地提供相关的击球指标给运动员或/和教练参考,进而 改进运动员的击球动作。
为达上述目的,依据本发明的一种手持运动分析系统,包括信号感测模块、 服务器以及显示模块。信号感测模块设置于手持球具,信号感测模块感测手持 球具的击球动作并输出感测信号;服务器与信号感测模块耦接,服务器包括一 个或多个处理单元及记忆单元,该一个或多个处理单元与记忆单元耦接,记忆单元储存一个或多个程序指令,当该一个或多个程序指令被该一个或多个处理 单元执行时,该一个或多个处理单元进行:姿态估测步骤,依据感测信号执行 击球动作的手持球具姿态估测;击球轨迹重建步骤,依据感测信号和姿态估测 步骤的结果执行击球轨迹信号的重建;击球分期侦测步骤,依据感测信号和姿 态估测步骤的结果区分击球过程的不同时期;击球球种辨识步骤,依据感测信 号将击球的球种类型进行分类;及击球动作一致性评估步骤,依据感测信号计算和评估击球动作与样板动作之间的一致性。显示模块与服务器耦接,显示模 块呈现分析结果。
为达上述目的,依据本发明的一种手持运动的分析方法,应用于手持运动 分析系统,手持运动分析系统包括信号感测模块,信号感测模块设置于手持球 具,并感测手持球具的击球动作且输出感测信号,该分析方法包括:姿态估测 步骤:依据感测信号执行击球动作的手持球具姿态估测;击球轨迹重建步骤: 依据感测信号和姿态估测步骤的结果执行击球轨迹信号的重建;击球分期侦测步骤:依据感测信号和姿态估测步骤的结果区分击球过程的不同时期;击球球 种辨识步骤:依据感测信号将击球的球种类型进行分类;以及击球动作一致性 评估步骤:依据感测信号计算和评估击球动作与样板动作之间的一致性。
在一个实施例中,信号感测模块包括三轴加速度计、三轴陀螺仪及三轴磁 力计。
在一个实施例中,在进行姿态估测步骤之前,该一个或多个处理单元更进 行:信号前处理步骤,校正信号感测模块输出的感测信号,并滤除感测信号中 的噪声。
在一个实施例中,姿态估测步骤通过扩展式卡尔曼滤波器算法利用感测信 号进行击球动作的手持球具姿态估测,进而获得准确的手持球具速度及手持球 具轨迹;其中,扩展式卡尔曼滤波器算法包括状态预测步骤、重力状态更新步 骤、及磁北状态更新步骤。
在一个实施例中,在状态预测步骤中,利用感测信号中的角速度信号进行 扩展式卡尔曼滤波器的状态预测;其中,在重力状态更新步骤和磁北状态更新 步骤中,利用感测信号中的加速度信号与磁力信号进行扩展式卡尔曼滤波器的 状态更新,以得到最佳手持球具姿态估测状态。
在一个实施例中,击球轨迹重建步骤通过轨迹重建算法取得执行击球动作 时所产生的手持球具姿态、手持球具速度及手持球具轨迹信号;其中,轨迹重 建算法包括动作信号分割步骤、坐标转换与重力补偿步骤、速度估测与零速度 补偿步骤、及轨迹重建步骤。
在一个实施例中,击球分期侦测步骤通过击球动作分期算法取得击球过程 中的每一时期信号;其中,击球动作分期算法包括动作信号分割步骤、坐标转 换与重力补偿步骤、动作信号极点侦测步骤、及动作信号分期侦测步骤;其中, 动作信号极点侦测步骤找出击球动作的预备期起始点、加速期起始点、击球点 及余势期结束点。
在一个实施例中,在击球分期侦测步骤中,击球过程的不同时期包括初始 静止期、预备期、加速期、余势期、及结束静止期。
在一个实施例中,击球球种辨识步骤通过击球球种辨识算法取得击球球种 类型;其中,击球球种辨识算法包括动作信号分割步骤、信号正规化步骤、卷 积神经网络分类步骤、及球种辨识步骤。
在一个实施例中,经由击球球种辨识步骤分类出的球种类型,包括正手发 后场球、反手发前场球、正手挑后场高远球、反手挑后场高远球、正手推挑后 场球、反手推挑后场球、前场正手短球、前场反手短球、中场正手平抽球、中 场反手平抽球、中场正手接杀挡网前球、中场反手接杀挡网前球、后场正手切 球、后场正手高远球、后场正手杀球、及中场正手突袭球。
在一个实施例中,击球动作一致性评估步骤通过一致性估测算法对击球动 作进行一致性比对;其中,一致性估测算法包括动作信号分割步骤、样板挑选 步骤、面积边界动态时间扭曲估测步骤、及一致性评估步骤;其中,样板挑选 步骤包括样板信号的取得,样板信号是使用者利用手持球具进行击球动作所产 生的感测信号经由边界面积计算所重新取样后的信号。
承上所述,在本发明的手持运动分析系统与方法中,包括:姿态估测步骤, 其依据感测信号执行击球动作的手持球具运动姿态估测;击球轨迹重建步骤,其依据感测信号和姿态估测步骤的结果执行击球轨迹信号的重建;击球分期侦 测步骤,其依据感测信号和姿态估测步骤的结果区分击球过程的不同时期;击 球球种辨识步骤,其依据感测信号将击球的球种类型进行分类;以及击球动作 一致性评估步骤,其依据感测信号计算和评估击球动作与样板动作之间的一致 性。由此,相比于公知的击球动作分析系统来说,本发明的手持运动分析系统 与分析方法除了具有方便、专业且实用经济的优点外,还可实时且客观地提供 相关的击球指标给运动员或/和教练参考,进而改进运动员的击球动作。
附图说明
图1A为本发明的一个实施例的一种手持运动分析系统的功能方块示意图。
图1B为图1A的手持运动分析系统的服务器的功能方块图。
图2为本发明的手持运动分析方法的流程步骤示意图。
图3为本发明的手持运动分析方法的另一流程步骤示意图。
图4为击球动作的信号分期侦测示意图。
图5A及图5B分别为应用本发明的手持运动系统进行分析时,两位运动员的 挥拍分期动作信号示意图。
图6A及图6B分别为对应于图5A及图5B的动作信号的挥拍轨迹示意图。
具体实施方式
以下将参照相关附图,说明根据本发明实施例的手持运动分析系统与分析 方法,其中相同的元件将以相同的附图标记加以说明。
图1A为本发明的一个实施例的一种手持运动分析系统的功能方块示意图, 图1B为图1A的手持运动分析系统的服务器的功能方块图,而图2为本发明的手持 运动分析方法的流程步骤示意图。
手持运动分析系统1可应用于分析手持球具的击球动作。在此,手持运动可 例如但不限于羽毛球、网球、桌球、棒球、或高尔夫球等、或其他利用手持球 具击球的运动,因此,上述的手持球具可为羽毛球拍、网球拍、桌球拍、球棒、 或高尔夫球杆、或其他击球的球具。以下实施例的手持球具是以羽毛球拍为例。因此,本文出现的“击球”动作就是“挥羽毛球拍”的动作,或称“挥拍”动作。当然, 如果应用在高尔夫球运动时,击球动作就是挥击高尔夫球杆的动作,以此类推。 另外,本文中的“运动员”指的是,在教练的指导下进行击球训练的人员。
请参照图1A及图1B所示,本实施例的手持运动分析系统1包括信号感测模块 11、服务器12以及显示模块13。
信号感测模块11设置于手持球具中。信号感测模块11可感测运动员拿着手 持球具(如羽手球拍)的击球动作(如挥拍动作)并输出感测信号SS。其中, 信号感测模块11例如但不限于设置于手持球具的握柄内。以羽毛球拍为例,信 号感测模块11例如可设置于羽毛球拍的握柄内,或握柄的后套内,然并不以此 为限,在不同的实施例中,信号感测模块11也可装设于手持球具的其他部位, 例如握柄的其他位置或中管内。
以下实施例是将信号感测模块11设置于胜利体育事业股份有限公司提供的 羽毛球拍的握柄内为例。因此,当运动员拿着该羽毛球拍进行挥拍动作时,信 号感测模块11可感测运动员的击球(挥拍)动作并输出感测信号SS。关于胜利公司提供的羽毛球拍的具体结构可参照中国台湾发明专利证书号:TW I673088, 在此不再多作说明。
本实施例的信号感测模块11包括惯性传感器,例如包括三轴加速度计、三 轴陀螺仪及三轴磁力计,由此得到更为精准的击球(挥拍)动作。因此,感测信号SS为惯性感测信号,其可包括挥拍动作过程的加速度信号、角速度信号及 磁力信号。在一些实施例中,可使用包含加速度计及陀螺仪的例如六轴传感器 (如ICM-20649)及三轴磁力计(如LIS2MDL)做为九轴的惯性传感器。其中, 加速度计用以感测地球重力及运动动作所产生的运动加速度;陀螺仪用以感测 运动动作所产生的角速度;而磁力计用以感测地球磁场向量,经由运算后可获 得方位角信息。
在一些实施例中,信号感测模块11还可包括微控制单元和电源供应单元。 电源供应单元可例如为锂电池,其可提供信号感测模块11所需电力;而微控制 单元可撷取并收集惯性传感器(速度计、陀螺仪及磁力计)因击球动作所产生 的感测信号SS且进行处理(例如暂存及编码),经处理过后的感测信号SS可通 过例如批次的方式利用例如Wi-Fi模块或蓝牙(bluetooth)模块无线传输至服务器 12,以进行击球动作的分析。
服务器12与信号感测模块11耦接。在一些实施例中,服务器12与信号感测 模块11的耦接可为无线方式耦接,例如通过Wi-Fi模块或蓝牙模块无线耦接,由 此接收、储存及处理信号感测模块11输出的感测信号SS。服务器12可为本地服 务器(local server)、远程服务器(remote server)、或云端服务器(cloud server)。本 实施例的服务器12是以云端服务器为例。
服务器12可包括一个或多个处理单元121及记忆单元122,一个或多个处理 单元121与记忆单元122耦接。图1B是以一个处理单元121与一个记忆单元122为 例。处理单元121可存取记忆单元122所储存的数据,并可包含服务器12的核心 控制组件,例如可包含至少一个中央处理器(CPU)及存储器,或包含其它控制硬 件、软件或固件。另外,记忆单元122可为非瞬时计算机可读取存储介质(non-transitory computer readable storagemedium),例如可包含至少一个存储器、 存储卡、光盘片、录像带、计算机磁带,或其任意组合。在一些实施例中,前 述的存储器可包含只读存储器(ROM)、快闪(Flash)存储器、可程序化逻辑门阵列 (Field-Programmable Gate Array,FPGA)、或固态硬盘(Solid StateDisk,SSD)、或 其他形式的存储器,或其组合。
由于本实施例的服务器12是以云端服务器为例,因此,记忆单元122为云端 存储器,而处理单元121则为云端处理器。当感测信号SS传送至服务器12时(服 务器12具有对应的无线传输模块),可储存于记忆单元122,以供处理单元121 处理及分析。另外,记忆单元122还可储存至少一个应用软件,该应用软件可包 含一个或多个程序指令1221,当该应用软件的该一个或多个程序指令1221被该 一个或多个处理单元121执行时,如图2所示,该一个或多个处理单元121可至少 进行以下步骤:姿态估测步骤S2、击球轨迹重建步骤S3、击球分期侦测步骤S4、 击球球种辨识步骤S5、以及击球动作一致性评估步骤S6。另外,除了步骤S2至 步骤S6之外,在取得感测信号SS后,本实施例的处理单元121还可进行信号前处 理步骤S1。以下,请参照图3以说明上述步骤S1至步骤S6的详细技术内容。
图3为本发明的手持运动分析方法的另一流程步骤示意图。在此,图3除了 显示图2的步骤S1至步骤S6内部的详细流程步骤(或称子步骤)外,还显示结果 呈现步骤S7。先说明的是,本文中提到的步骤S1至步骤S7及其内部的功能方块 (步骤)可以软件程序方式实现其功能,或者,也可应用硬件或固件的方式实 现其功能,本发明不限制。
如图3所示,在进行姿态估测步骤S2之前,为了使后续的分析过程及其产生 的结果更为准确,需先进行信号前处理步骤S1。
信号前处理步骤S1:校正信号感测模块11输出的感测信号SS,并滤除感测 信号SS中的噪声。其中,信号前处理步骤S1可包括信号校正步骤S11及信号滤波 步骤S12。信号校正步骤S11可校正感测信号SS,而信号滤波步骤S12可滤除感测 信号SS中的噪声。以下详细介绍步骤S11及步骤S12的技术内容。
信号校正步骤S11:由于惯性传感器本身特性及其他外界环境因素所影响, 往往会造成加速度计、陀螺仪及磁力计所量测到的感测信号SS会产生量测误差 或信号漂移,在一些实施例中,可以使用比例因子(scale factor,SF)及偏移量(bias, B)来校正惯性传感器。其校正过程可如下;依次将加速度计及陀螺仪摆放于水平放置的旋转运动平台上14个不同方位,并通过加速度计在静止摆放状况下其 三个轴向(X轴、Y轴、Z轴)感测值合力为重力加速度读值(1g),以及在使用旋 转运动平台定速旋转下陀螺仪的三轴感测值合力值为等角速度读值(ω)的物理现 象,来加以获得三轴惯性传感器的比例因子(SFx、SFy、SFz)及偏差值(Bx、By、 Bz)。而在校正磁力计时,可以在一个没有强力磁场干扰环境下,将磁力计在固 定时间下进行三维空间均匀旋转,使磁力感测值可涵盖到三维空间中的各个方 位,并将其感测磁场合力等比正规化为1高斯(Gauss)的固定常数。最后,通过最 小平方误差法求解出各传感器的校正矩阵(Q)后,即可通过以下式(1)来加以校正 惯性传感器。
其中,Si为未校正过的加速度计、陀螺仪或磁力计的感测值,而Sc为校正后 的加速度计、陀螺仪或磁力计的感测值。
信号滤波步骤S12:当运动员使用例如羽毛球拍进行击球运动时,其所量测 到的感测信号SS包含了运动动作信号、高频噪声及动作噪声(例如身体不自主的颤抖),因此,为了能准确地量测到运动员运动时所产生的感测信号SS,经 上述步骤S11校正过后的惯性感测信号仍需要经由低通滤波器来降低高频噪声 及动作噪声,使得到的感测信号SS可实际反应出击球动作的真正信号。以下, 经由信号前处理步骤S1的校正与滤波处理后的惯性感测信号仍标示为感测信号 SS。
姿态估测步骤S2:依据感测信号SS执行击球动作的手持球具姿态估测。其 中,姿态估测步骤S2通过扩展式卡尔曼滤波器算法利用感测信号SS进行击球动 作的手持球具姿态估测,进而获得准确的手持球具速度及手持球具轨迹。在此, 扩展式卡尔曼滤波器算法可包括状态预测步骤S21、重力状态更新步骤S22、及 磁北状态更新步骤S23。在状态预测步骤S21中,利用感测信号SS中的角速度信 号进行扩展式卡尔曼滤波器的状态预测;而在重力状态更新步骤S22和磁北状态 更新步骤S23中,利用感测信号SS中的加速度信号与磁力信号进行扩展式卡尔曼滤波器的状态更新,以得到最佳手持球具姿态估测状态。以下详细介绍步骤S21 至步骤S23的技术内容。
状态预测步骤S21:可以四元数表示的姿态定义为状态转移方程式的状态变 量(x),利用陀螺仪现在时间点(t)所感测的角速度(ωt)及上一个时间点(t-1)更新后的姿态角(x′t-1)建立状态转移方程式,如式(2)所示。
其中,为现在时间点预测的状态,/>为现在时间点的状态转移矩阵,/>为上 一个时间点的状态噪声系数矩阵,δωt=[δωx,t,δωy,t,δωz,t]T为现在时间点的角速 度白噪声,14×4是一个4×4的单位矩阵,ωt=[ωx,t,ωy,t,ωz,t]T为现在时间点陀螺 仪所感测的角速度,而/>Δt是取样周期。接着, 便可预测现在时间点的状态误差共变异数矩阵/>如下:
其中,P′t-1为上一个时间点更新后的状态误差共变异数矩阵,Q= E[δωδωT]为角速度噪声共变异数矩阵。
重力状态更新步骤S22及磁北状态更新步骤S23:由于角速度进行状态预测 所产生的误差,将会随时间增加而累积,因此,必须通过观测量(zt)对预测后的 状态进行更新,在此,将观测量定义为加速度与磁力值。另外,再建立重力或 磁北观测方程式对角速度所预测的姿态进行状态更新,如式(4)所示。
其中,Ht为现在时间点的重力观测矩阵或磁北观测矩阵,为现在时间点所预测的状态变量,δzt为现在时间点的加 速度或磁力值的白噪声,/>为现在时间点的预测观测量。接着,获得重力或磁 北观测方程式之后,便可计算现在时间点的重力或磁北更新卡尔曼增益(Kt), 如式(5)所示。最后,即可利用重力或磁北更新卡尔曼增益对所预测的状态及其 状态误差共变异数矩阵进行状态更新,如式(6)及式(7)所示。
其中,R=E[δzδzT]为观测量噪声共变异数矩阵,当观测量为加速度时,R为 加速度噪声共变异数矩阵(Ra);而若观测量为磁力值时,R即为磁力噪声共变异 数矩阵(Rm),zt为现在时间点的重力或磁北实际观测量。
击球轨迹重建步骤S3:依据感测信号SS和姿态估测步骤S2的结果执行击球 轨迹信号的重建。其中,击球轨迹重建步骤S3通过轨迹重建算法取得执行击球 动作时所产生的手持球具姿态、手持球具速度及手持球具轨迹信号。在此,轨 迹重建算法可包括动作信号分割步骤S31、坐标转换与重力补偿步骤S32、速度 估测与零速度补偿步骤S33、及轨迹重建步骤S34。提醒的是,广义来说,轨迹 重建算法也可包括上述的状态预测步骤S21、重力状态更新步骤S22、及磁北状 态更新步骤S23。以下详细介绍步骤S31至步骤S34的技术内容。
动作信号分割步骤S31:由于挥拍动作进行时,在挥拍动作开始前及结束后 均会存在一段动作静态区间,此时,因为信号感测模块11处于静止,所以加速 度计及陀螺仪的三轴合力值皆为0,因此,可以通过设定动态门坎值来加以侦测 挥拍动作区间,例如依据前200个取样点的感测信号,计算其标准分数(z-score), 并以标准分数作为动态门坎值。
坐标转换与重力补偿步骤S32:通过姿态估测步骤S2可获得运动员在运动期 间的动态手持球具姿态后,即可获得传感器坐标系(s)与参考坐标系(r)之间的坐 标转换矩阵如式(8)所示,并将传感器坐标系(s)上滤波过后的加速度信号 (as)转换成参考坐标系(r)上的加速度信号(ar),如式(9)所示。此外,由于加速度 计所量测的加速度值会同时包含了运动所产生的运动加速度及重力加速度,因 此,需将重力加速度(G=[0,0,1]T)移除,进而得到真实的运动加速度(a)。
速度估测与零速度补偿步骤S33:当获得运动加速度后,即可将运动加速度 进行积分以估测其速度信号,如式(10)所示。由于加速度信号容易受到人体无意 识颤抖的干扰而产生噪声,而在进行速度估测的积分运算时,其加速度信号的噪声因积分运算而被放大,导致速度信号的失真,故通过式(11)进行零速度更新, 以补偿失真的速度信号。
其中,vt为现在时间点的速度信号;Vt-1为上个时间的速度信号;vc,t为经 过零速度更新的速度信号;为信号起始点的速度值;/>为信号结束点的 速度值;t为时间间距;Δt为取样周期。
轨迹重建步骤S34:将零速度补偿后的速度信号进行积分运算,即可重建运 动员进行挥拍或移动动作时的轨迹,如式(12)所示。
其中,pt为现在时间点的运动轨迹;pt-1为上个时间的运动轨迹;Δt为取 样周期。
击球分期侦测步骤S4:依据感测信号SS和姿态估测步骤S2的结果区分击球 过程的不同时期。其中,击球分期侦测步骤S4通过击球动作分期算法取得击球 过程中的每一时期信号。在此,击球动作分期算法可包括动作信号分割步骤S41、 坐标转换与重力补偿步骤S42、动作信号极点侦测步骤S43、及动作信号分期侦 测步骤S44。以下详细介绍步骤S41至步骤S44的技术内容。
动作信号分割步骤S41及坐标转换与重力补偿步骤S42与上述轨迹重建算法 中的动作信号分割步骤S31及坐标转换与重力补偿步骤S32相同(也即动作信号 分割步骤S31及坐标转换与重力补偿步骤S32的结果可以应用于击球分期侦测步 骤S4中),在此不再多作说明。
动作信号极点侦测步骤S43:可通过本步骤找出击球动作的预备期起始点 (startpoint)、加速期起始点(start point of acceleration)、击球点(impact)及余势期 结束点(end point)。在此,预备期起始点可定义为:将动作动态区间起始点定义 为预备期起始点,并由此区分初始静止期与预备期。击球点可定义为:在整个 羽球挥拍过程中,球拍与球接触的瞬间通常发生在球拍角速度最大值的瞬间, 因此,可以通过此特性将整个羽球挥拍信号中角速度合力信号产生最大值时的时间点定义为击球点,并由此区分加速期及余势期。加速期起始点可定义为: 当找到击球时间点后,利用该时间点上的角速度值往回寻找第一个角速度信号 的波谷极点,即为加速期起始点,并由此区分预备期与加速期。余势期结束点 可定义为:将动作动态区间终止点定义为余势期结束点,并由此区分余势期与 结束静止期。如图4所示,其为击球动作的信号分期侦测示意图。在此,图4显 示感测信号中的加速度和角速度信号的分期。
动作信号分期侦测步骤S44:在完成动作信号极点侦测步骤S43后,即可将 击球过程的不同时期定义出以下五个分期:1)在预备期起始点之前的时间区间可 定义为初始静止期(initial rest);2)在预备期起始点与加速期起始点之间的时间区间可定义为预备期(preparation);3)在加速期起始点与击球点之间的时间区间可 定义为加速期(acceleration);4)在击球点与余势期结束点之间的时间区间可定义为余势期(followthrough);5)在余势期结束点之后的时间区间可定义为结束静止 期(ending rest)。
击球球种辨识步骤S5:依据感测信号SS将击球的球种类型进行分类。其中, 击球球种辨识步骤S5通过击球球种辨识算法取得击球球种类型。在此,击球球 种辨识算法可包括动作信号分割步骤S51、信号正规化步骤S52、卷积神经网络分类步骤S53、及球种辨识步骤S54。以下详细介绍步骤S51至步骤S54的技术内 容。
动作信号分割步骤S51与上述轨迹重建算法的动作信号分割步骤S31相同 (也即动作信号分割步骤S31的结果可以应用于击球球种辨识步骤S5中),在此 不再多作说明。
信号正规化步骤S52:将惯性感测信号经过上述信号校正步骤S11、信号滤 波步骤S12及动作信号分割步骤S51后,即可进行信号正规化步骤S52,以正规化 感测信号SS。
卷积神经网络分类步骤S53及球种辨识步骤S54:经信号正规化步骤S52之后 的感测信号SS中,每个击球挥拍动作信号中的三轴角速度信号可作为卷积神经 网络(Convolution Neural Network,CNN)分类器的输入,进而分类出正手发后场 球、反手发前场球、正手挑后场高远球、反手挑后场高远球、正手推挑后场球、 反手推挑后场球、前场正手短球、前场反手短球、中场正手平抽球、中场反手平抽球、中场正手接杀挡网前球、中场反手接杀挡网前球、后场正手切球、后 场正手高远球、后场正手杀球、及中场正手突袭球等十六种击球球种类型。在 此,卷积神经网络分类器的架构可包含两个卷积层、两个池化层、全连接层与 输出层,详述如下:
卷积层:每个卷积层中含有多个卷积核,通过设定的卷积核大小并利用卷 积原理进行窗口的逐步滑动并加权计算每个区域内数值,再经由活化函数计算 获得卷积层的输出,由此提取输入信号中重要的信息。其中,在每层卷积层皆 设置了128个大小为1×5的卷积核(convolutional kernel/filter)来进行图像特征的撷取。
其中,为三轴角速度信号所组成的输入向量;i为每个步 伐窗口中的数据点索引;N为每个步伐窗口中的数据点数;l为层的索引;M为 卷积核大小(kernel/filter size);/>为第l层的第k个特征映像(feature map)的偏权 值;/>为输入/>与第l层第k个特征映像的链接权重;ReLU为线性整流活 化函数。
池化层:其主要是将卷积层输出作为其输入并进行下采样,在此采用最大 池化(max pooling)运算,由此降低特征映像维度(网络训练参数),而仅保留输 入图像中的重要特征。池化大小为1×2,跨度为2。其中,R为池化大小;T为池 化的跨度
全连接层:将经过多层卷积层与池化层运算后所得的特征摊平成特征向量 pl=[p1,p2,...,pg]作为该层的输入,其中g为最后一层池化层的神经元个数,并 进行以下运算:
其中,为全连结层中第l-1层的第g个神经元与第l层的第h个神经元连 结权重值;/>为全连结层中第l层的第h个神经元的偏权值;ReLU为线性整流活 化函数。最后,即为经过卷积神经网络运算所得的深度特征。
输出层:通常是以分类器进行,在此使用的是Softmax分类器,Softmax分类 器为以log-sigmoid函数为基础,X轴范围为正无穷大至负无穷大,Y轴范围为0 至1,通过将全连接层的输出映射至[0,1]区间内,将所得值转换成相对应的机率, 并取最大值为分类结果。
击球动作一致性评估步骤S6:依据感测信号SS计算和评估击球动作与样板 动作之间的一致性。其中,击球动作一致性评估步骤S6通过一致性估测算法对 击球动作进行一致性比对。在此,一致性估测算法包括动作信号分割步骤S61、 样板挑选步骤S62、面积边界动态时间扭曲估测步骤S63、及一致性评估步骤S64。 前述的样板挑选步骤S62包括样板信号的取得,该样板信号是使用者利用手持球具进行击球动作所产生的感测信号SS经由边界面积计算所重新取样后的动作信 号。以下详细介绍步骤S61至步骤S64的技术内容。
动作信号分割步骤S61与上述轨迹重建算法的动作信号分割步骤S31相同 (也即动作信号分割步骤S31的结果可以应用于击球动作一致性评估步骤S6 中),在此不再多作说明。
样板挑选步骤S62:将该使用者与运动员相同的击球动作所产生的角速度信 号经由以下介绍的边界面积计算所重新取样后的动作信号视为样板信号以供后续的比对。在此,该使用者可为具有较佳球技的 人员,例如但不限于教练、或职业运动员。
面积边界动态时间扭曲估测步骤S63:包括正负波峰侦测、过零点侦测、边 界面积计算及一致性分数计算等。其中,正负波峰侦测为:设定门坎值来加以 侦测经由动作信号分割处理后的动作时序信号(S=[s1,s2,…,sp])中找出区域 最大值及最小值,即为正负波峰。过零点侦测为:侦测动作信号通过零值的取 样点(zero-crossing points,ZCpoints),由此获得过零点的取样信号(ZC= [zc1,zc2,zc3,...,zcn])。另外,边界面积计算为:依据过零点的数量(n),将原始 长度为p的动作时序信号分割为(n-1)个片段,并针对每一个片段进行信号积分 计算出每个片段的面积,如下所示;则积分后的面积即可代表重新取样后的时 间序列
此外,一致性分数计算为:将运动员执行运动训练动作时所产生的角速度 信号经由边界面积计算后视为运动动作信号并与样板信号/>进行信号时序扭曲比对,通过以下式子计算出运动动作信 号与样板信号之间的一致性分数由此达成运动训练动作比对 的目的。
另外,动态时间扭曲是由二时序信号起始时序累加欧基里德距离至终止时 序。ABDTW分数计算可如下所示:
Di,j=d(mi,nj)+min{Di,j-1,Di-1,j,Di-1,j-1}
其中,
一致性评估步骤S64:挥拍动作一致性为运动员每次进行挥拍动作时,动作 信号之间的相似程度。而挥拍动作一致性越高,代表其挥拍技术较为稳定,在 整体表现上较佳;反之,挥拍动作一致性越低,代表其挥拍技术较不稳定。在 此,通过面积边界动态时间扭曲算法(AB-DTW)所计算的一致性分数来评估运动 员与例如教练动作的一致性比对。其中,分数越低,代表两者相比的运动信号 的一致性越高;反之,分数越高,代表两者相比的运动信号的一致性越低。
通过上述步骤进行运动动作分析后,可以得到运动员相关的击球指标,例 如包括挥拍轨迹、击球球种辨识、挥拍分期、击球次数、击球速度、平均击球 速度、最大击球速度、平均杀球速度、最大杀球速度、击球力度、挥拍弧度、 挥拍动作一致性等。
结果呈现步骤S7:通过与服务器12耦接的显示模块13呈现分析结果,让运 动员或/和教练参考,进而改进运动员的击球动作。在一些实施例中,显示模块 13可为固定式显示装置(例如计算机)、或为行动装置(例如笔记本电脑、手 机、平板计算机),或其他型式的显示装置。在一些实施例中,显示模块13可显示例如实时信号呈现、击球速度、力度数据呈现、个人综合表现评估雷达图, 或/和呈现击球球种辨识结果及击球动作分析(如挥拍分期、击球次数、击球速 度、最大击球速度、平均杀球速度、最大杀球速度、击球力度、挥拍弧度、挥 拍轨迹及挥拍动作一致性)等相关羽球专项指标,运动员或/和教练可在显示模 块13自行选择观看哪些信号或指标。
本发明还提出一种手持运动的分析方法,可应用于上述的手持运动分析系 统1。其中,手持运动分析系统1的元件组成及其功能已于上述中详述,在此不 再多作说明。
如图2或图3所示,手持运动的分析方法可包括姿态估测步骤S2、击球轨迹 重建步骤S3、击球分期侦测步骤S4、击球球种辨识步骤S5、以及击球动作一致 性评估步骤S6。另外,在姿态估测步骤S2之前,该分析方法更可包括信号前处 理步骤S1。此外,在上述步骤S3、步骤S4、步骤S5、步骤S6之后,该分析方法 更可包括结果呈现步骤S7,以呈现分析结果。
手持运动分析方法的各步骤(包括步骤S1至步骤S7)及其内部(子)步骤 的详细技术内容已于上述中详述,在此不再赘述。要提醒的是,在上述步骤S1 至步骤S7中,姿态估测步骤S2、击球球种辨识步骤S5及击球动作一致性评估步 骤S6可依序或同时进行,但击球轨迹重建步骤S3与击球分期侦测步骤S4需在姿 态估测步骤S2之后进行,且击球轨迹重建步骤S3与击球分期侦测步骤S4可依序 或同时进行。
将本实施例的手持运动分析系统1及其分析方法实际应用于羽球球场进行 运动员的击球动作分析。其中,将信号感测模块11装设于例如球拍握柄的后套 内,用以感测运动员在挥拍击球时的动作。如下表所示,其为9位羽球运动员进 行长球挥拍时的挥拍分期、击球速度、击球弧度及一致性等指标的统计数值。
另外,图5A及图5B分别为应用本发明的手持运动系统进行分析时,两位运 动员的挥拍分期动作信号示意图,而图6A及图6B分别为对应于图5A及图5B的动 作信号的挥拍轨迹示意图。在此,将挥拍信号分期为初始静止期、预备期、加 速期、余势期及结束静止期。
如图5A所示,第一位运动员在长球挥拍的情况下的预备期、加速期及余势 期时间分别为1.28秒、0.10秒及0.83秒;如图5B所示,第二位运动员在长球挥拍 的情况下的预备期、加速期及余势期时间分别为1.28秒、0.09秒及0.96秒。此外,第一位运动员长球挥拍的击球速度为65.48kph、击球力度为1.03N、挥拍弧度为 253.24°,且挥拍动作一致性为93.10%;而第二位运动员长球挥拍的击球速度为 70.26kph、击球力度为1.03N、挥拍弧度为244.76°,且挥拍动作一致性为94.33%, 如下表所示。
此外,上述两位运动员的长球挥拍轨迹可对应如图6A及图6B所示。需说明 的是,由于本实施例的信号感测模块11设置于羽毛球拍的握柄的后套内,因此, 图6B中各时间点显示的每一直线轨迹是代表羽毛球拍本身(到羽毛球拍的拍框 的顶端)。
承上,由上述揭示内容可知,本发明的手持运动分析系统与分析方法,可 以通过信号感测模块自动撷取运动员进行击球动作时的动作轨迹信号(即感测 信号),经过服务器进行信号分析后可以得到多种相关的击球指标,省去摄影 机拍摄过程的麻烦、增加动作轨迹研究的便利性和实用性,同时可减低研究成 本,并且不会受到不同人或不同地形、地物的影响而可将人为所产生的误差降 至最低。再者,运动员或/和教练可随时通过观看分析系统的显示模块所产生的 相关击球指标,以改进击球动作。
综上所述,在本发明的手持运动分析系统与方法中,包括:姿态估测步骤, 其依据感测信号执行击球动作的手持球具姿态估测;击球轨迹重建步骤,其依 据感测信号和姿态估测步骤的结果执行击球轨迹信号的重建;击球分期侦测步 骤,其依据感测信号和姿态估测步骤的结果区分击球过程的不同时期;击球球 种辨识步骤,其依据感测信号将击球的球种类型进行分类;以及击球动作一致性评估步骤,其依据感测信号计算和评估击球动作与样板动作之间的一致性。 由此,相比于公知的击球动作分析系统来说,本发明的手持运动分析系统与分 析方法除了具有方便、专业且实用经济的优点外,还可实时且客观地提供相关 的击球指标给运动员或/和教练参考,进而改进运动员的击球动作。
以上所述仅为举例性而非为限制性。任何未脱离本发明的精神与范畴而对 其进行的等效修改或变更均应包含于随附的权利要求书中。
【附图标记说明】
1:手持运动分析系统
11:信号感测模块
12:服务器
121:处理单元
122:记忆单元
1221:程序指令
13:显示模块
S1,S11,S12,S2,S21,S22,S23,S3,S31,S32,S33,S34,S4,S41,S42,S43,S44,S5,S51,S 52,S53,S54,S6,S61,S62,S63,S64,S7:步骤
SS:感测信号
Claims (12)
1.一种手持运动分析系统,应用于分析手持球具的击球动作,所述分析系统包括:
信号感测模块,设置于所述手持球具,所述信号感测模块感测所述手持球具的击球动作并输出感测信号;
服务器,与所述信号感测模块耦接,所述服务器包括一个或多个处理单元及记忆单元,所述一个或多个处理单元与所述记忆单元耦接,所述记忆单元储存一个或多个程序指令,当所述一个或多个程序指令被所述一个或多个处理单元执行时,所述一个或多个处理单元进行:
姿态估测步骤,依据所述感测信号执行击球动作的手持球具姿态估测;
击球轨迹重建步骤,依据所述感测信号和所述姿态估测步骤的结果执行击球轨迹信号的重建;
击球分期侦测步骤,依据所述感测信号和所述姿态估测步骤的结果区分击球过程的不同时期;
击球球种辨识步骤,依据所述感测信号将击球的球种类型进行分类;及
击球动作一致性评估步骤,依据所述感测信号计算和评估击球动作与样板动作之间的一致性,其中所述击球动作一致性评估步骤通过一致性估测算法对击球动作进行一致性比对,所述一致性估测算法包括面积边界动态时间扭曲估测步骤,所述面积边界动态时间扭曲估测步骤包括一致性分数计算,所述一致性分数计算为将所述感测信号中的角速度信号经由边界面积计算后得到的运动动作信号与样板信号进行信号时序扭曲比对,计算出所述运动动作信号与所述样板信号之间的一致性分数,所述一致性分数越低代表击球动作与样板动作的一致性越高;以及
显示模块,与所述服务器耦接,所述显示模块呈现分析结果。
2.根据权利要求1所述的分析系统,其中所述击球分期侦测步骤通过击球动作分期算法取得击球过程中的每一时期信号;
其中,所述击球动作分期算法包括动作信号分割步骤、坐标转换与重力补偿步骤、动作信号极点侦测步骤、及动作信号分期侦测步骤;
其中,所述动作信号极点侦测步骤找出击球动作的预备期起始点、加速期起始点、击球点及余势期结束点。
3.根据权利要求1所述的分析系统,其中,在所述击球分期侦测步骤中,所述击球过程的不同时期包括初始静止期、预备期、加速期、余势期、及结束静止期。
4.根据权利要求1所述的分析系统,其中所述击球球种辨识步骤通过击球球种辨识算法取得击球球种类型;
其中,所述击球球种辨识算法包括动作信号分割步骤、信号正规化步骤、卷积神经网络分类步骤、及球种辨识步骤。
5.根据权利要求1所述的分析系统,其中,经由所述击球球种辨识步骤分类出的球种类型,包括正手发后场球、反手发前场球、正手挑后场高远球、反手挑后场高远球、正手推挑后场球、反手推挑后场球、前场正手短球、前场反手短球、中场正手平抽球、中场反手平抽球、中场正手接杀挡网前球、中场反手接杀挡网前球、后场正手切球、后场正手高远球、后场正手杀球、及中场正手突袭球。
6.根据权利要求1所述的分析系统,其中,所述一致性估测算法还包括动作信号分割步骤、样板挑选步骤、及一致性评估步骤;
其中,所述样板挑选步骤包括所述样板信号的取得,所述样板信号是使用者利用所述手持球具进行击球动作所产生的所述感测信号经由边界面积计算所重新取样后的信号。
7.一种手持运动的分析方法,应用于手持运动分析系统,所述手持运动分析系统包括信号感测模块,所述信号感测模块设置于手持球具,并感测所述手持球具的击球动作且输出感测信号,所述分析方法包括:
姿态估测步骤:依据所述感测信号执行击球动作的手持球具姿态估测;
击球轨迹重建步骤:依据所述感测信号和所述姿态估测步骤的结果执行击球轨迹信号的重建;
击球分期侦测步骤:依据所述感测信号和所述姿态估测步骤的结果区分击球过程的不同时期;
击球球种辨识步骤:依据所述感测信号将击球的球种类型进行分类;以及
击球动作一致性评估步骤:依据所述感测信号计算和评估击球动作与样板动作之间的一致性;
其中,所述击球动作一致性评估步骤通过一致性估测算法对击球动作进行一致性比对,所述一致性估测算法包括面积边界动态时间扭曲估测步骤,所述面积边界动态时间扭曲估测步骤包括一致性分数计算,所述一致性分数计算为将所述感测信号中的角速度信号经由边界面积计算后得到的运动动作信号与样板信号进行信号时序扭曲比对,计算出所述运动动作信号与所述样板信号之间的一致性分数,所述一致性分数越低代表击球动作与样板动作的一致性越高。
8.根据权利要求7所述的分析方法,其中,在所述击球分期侦测步骤中,通过击球动作分期算法取得击球过程中的每一时期信号;
其中,所述击球动作分期算法包括动作信号分割步骤、坐标转换与重力补偿步骤、动作信号极点侦测步骤、及动作信号分期侦测步骤;
其中,所述动作信号极点侦测步骤找出击球动作的预备期起始点、加速期起始点、击球点及余势期结束点。
9.根据权利要求7所述的分析方法,其中,在所述击球分期侦测步骤中,所述击球过程的不同时期包括初始静止期、预备期、加速期、余势期、及结束静止期。
10.根据权利要求7所述的分析方法,其中,在所述击球球种辨识步骤中,通过击球球种辨识算法取得击球球种类型;
其中,所述击球球种辨识算法包括动作信号分割步骤、信号正规化步骤、卷积神经网络分类步骤、及球种辨识步骤。
11.根据权利要求7所述的分析方法,其中,经由所述击球球种辨识步骤分类出的球种类型,包括正手发后场球、反手发前场球、正手挑后场高远球、反手挑后场高远球、正手推挑后场球、反手推挑后场球、前场正手短球、前场反手短球、中场正手平抽球、中场反手平抽球、中场正手接杀挡网前球、中场反手接杀挡网前球、后场正手切球、后场正手高远球、后场正手杀球、及中场正手突袭球。
12.根据权利要求7所述的分析方法,其中,所述一致性估测算法还包括动作信号分割步骤、样板挑选步骤、及一致性评估步骤;
其中,所述样板挑选步骤包括所述样板信号的取得,所述样板信号是使用者利用所述手持球具进行击球动作所产生的所述感测信号经由边界面积计算所重新取样后的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101775.8A CN114788951B (zh) | 2021-01-26 | 2021-01-26 | 手持运动分析系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101775.8A CN114788951B (zh) | 2021-01-26 | 2021-01-26 | 手持运动分析系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114788951A CN114788951A (zh) | 2022-07-26 |
CN114788951B true CN114788951B (zh) | 2024-02-20 |
Family
ID=82460733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101775.8A Active CN114788951B (zh) | 2021-01-26 | 2021-01-26 | 手持运动分析系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114788951B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116351023A (zh) * | 2022-11-01 | 2023-06-30 | 彭峻 | 网球运动效果评测方法、装置、电子设备和存储介质 |
CN117315780A (zh) * | 2023-09-28 | 2023-12-29 | 江苏运动健康研究院 | 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104225899A (zh) * | 2013-06-21 | 2014-12-24 | 精工爱普生株式会社 | 运动分析方法以及运动分析装置 |
CN106102845A (zh) * | 2014-03-20 | 2016-11-09 | 精工爱普生株式会社 | 运动分析装置、运动分析系统、运动分析方法、运动分析信息的显示方法及程序 |
CN106730702A (zh) * | 2017-01-11 | 2017-05-31 | 周锦 | 一种智能乒乓球拍 |
CN108079557A (zh) * | 2017-12-26 | 2018-05-29 | 郑州大学体育学院 | 一种羽毛球接杀球训练监控评估系统 |
CN109731302A (zh) * | 2019-01-22 | 2019-05-10 | 深圳职业技术学院 | 运动姿态识别方法、装置及电子设备 |
CN110354475A (zh) * | 2019-07-16 | 2019-10-22 | 哈尔滨理工大学 | 一种网球挥拍动作定型训练方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6368280B2 (ja) * | 2015-06-10 | 2018-08-01 | 美津濃株式会社 | スイング解析装置、コンピュータにスイングを解析させるためのプログラムおよびスイング解析システム |
-
2021
- 2021-01-26 CN CN202110101775.8A patent/CN114788951B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104225899A (zh) * | 2013-06-21 | 2014-12-24 | 精工爱普生株式会社 | 运动分析方法以及运动分析装置 |
CN106102845A (zh) * | 2014-03-20 | 2016-11-09 | 精工爱普生株式会社 | 运动分析装置、运动分析系统、运动分析方法、运动分析信息的显示方法及程序 |
CN106730702A (zh) * | 2017-01-11 | 2017-05-31 | 周锦 | 一种智能乒乓球拍 |
CN108079557A (zh) * | 2017-12-26 | 2018-05-29 | 郑州大学体育学院 | 一种羽毛球接杀球训练监控评估系统 |
CN109731302A (zh) * | 2019-01-22 | 2019-05-10 | 深圳职业技术学院 | 运动姿态识别方法、装置及电子设备 |
CN110354475A (zh) * | 2019-07-16 | 2019-10-22 | 哈尔滨理工大学 | 一种网球挥拍动作定型训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114788951A (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11971951B2 (en) | Systems and methods using a wearable sensor for sports action recognition and assessment | |
US20150018111A1 (en) | Interpretation of characteristics of a golf swing using motion analysis | |
AU2017331639B2 (en) | A system and method to analyze and improve sports performance using monitoring devices | |
US20130018494A1 (en) | System and method for motion analysis and feedback with ongoing dynamic training orientation determination | |
US11769424B2 (en) | Method, apparatus, and computer program product for measuring and interpreting metrics of an athletic action and an object associated therewith | |
Büthe et al. | A wearable sensing system for timing analysis in tennis | |
US9864904B2 (en) | Motion analysis device and motion analysis system | |
US20120277890A1 (en) | Method of Ball Game Motion Recognition, Apparatus for the same, and motion assisting device | |
US20130331199A1 (en) | Method for matching a golfer with a particular golf club style | |
CN114788951B (zh) | 手持运动分析系统与方法 | |
US20170239520A1 (en) | Motion analysis apparatus, motion analysis system, motion analysis method, recording medium, and display method | |
US20160180544A1 (en) | Apparatus for camera-assisted trajectory estimation of a sensorized sports projectile | |
KR100907704B1 (ko) | 인공지능형 캐디를 이용한 골퍼자세교정시스템 및 이를이용한 골퍼자세교정방법 | |
Torigoe et al. | Strike Activity Detection and Recognition Using Inertial Measurement Unit towards Kendo Skill Improvement Support System. | |
Malawski | Depth versus inertial sensors in real-time sports analysis: A case study on fencing | |
Ghosh et al. | Stancescorer: A data driven approach to score badminton player | |
Kos et al. | Tennis stroke consistency analysis using miniature wearable IMU | |
KR101972526B1 (ko) | 스크린 골프 사용자의 골프 스윙 자세 교정 시스템 | |
Takata et al. | Strikes-thrusts activity recognition using wrist sensor towards pervasive kendo support system | |
TWI770787B (zh) | 手持運動分析系統與方法 | |
CN115738218A (zh) | 高尔夫挥杆计数方法、装置及计算机可读存储介质 | |
CN107433030B (zh) | 一种球类运动训练系统、球类及运动追踪智能装置 | |
Wang et al. | Analysis of movement effectiveness in badminton strokes with accelerometers | |
KR20190027222A (ko) | 학습 기반 트레이닝 시스템 및 이의 트레이닝 서비스 제공 방법 | |
Kos et al. | Smart wearables for tennis game performance analysis |
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 |