CN115813377B - 一种智能姿势评估方法及系统 - Google Patents
一种智能姿势评估方法及系统 Download PDFInfo
- Publication number
- CN115813377B CN115813377B CN202310012866.3A CN202310012866A CN115813377B CN 115813377 B CN115813377 B CN 115813377B CN 202310012866 A CN202310012866 A CN 202310012866A CN 115813377 B CN115813377 B CN 115813377B
- Authority
- CN
- China
- Prior art keywords
- gesture
- posture
- user
- information
- motion
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能姿势评估方法及系统,其中,所述方法包括:根据用户运动关节点集合,确定姿态评估指标集合;通过监控装置获得第一评估视频信息;根据姿态评估指标集合确定预定卷积核,按照预定卷积核对第一评估视频信息进行遍历卷积计算,获得第一运动姿势特征信息,并根据第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;将第一运动姿势特征信息和身姿骨骼模拟图输入第一运动姿势分析模型中进行分析,获得第一身姿分析结果;基于第一身姿分析结果,生成第一姿势准确系数;如果第一姿势准确系数低于预设准确系数,提醒第一用户进行姿势矫正。解决了现有技术存在对姿势评估不够准确,进而影响用户矫正和康复效果的技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种智能姿势评估方法及系统。
背景技术
姿势是身体的骨、关节和软组织的定位,良好的姿势是一种肌肉和骨骼的平衡状态,对保持身体健康、预防关节损伤、运动康复有着至关重要的作用,因此需要进行正确的姿势评估,对监测用户的健康评测、矫正、康复等有着重要意义。
然而,现有技术存在对姿势评估不够准确,进而影响用户矫正和康复效果的技术问题。
发明内容
本申请通过提供一种智能姿势评估方法及系统,解决了现有技术存在对姿势评估不够准确,进而影响用户矫正和康复效果的技术问题,达到通过对用户运动姿势进行实时监控,并对监控结果进行多维度分析,以此使得姿势分析结果更加准确高效,实现对姿势矫正更加及时合理,从而保证用户矫正和康复效果的技术效果。
鉴于上述问题,本发明提供了一种智能姿势评估方法及系统。
第一方面,本申请提供了一种智能姿势评估方法,所述方法包括:通过智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;根据所述用户运动关节点集合,确定姿态评估指标集合;通过监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;基于所述第一身姿分析结果,生成第一姿势准确系数;如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正。
另一方面,本申请还提供了一种智能姿势评估系统,所述系统包括:第一获得单元,所述第一获得单元用于通过智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;第一确定单元,所述第一确定单元用于根据所述用户运动关节点集合,确定姿态评估指标集合;第二获得单元,所述第二获得单元用于通过监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;第三获得单元,所述第三获得单元用于根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;第一处理单元,所述第一处理单元用于根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;第四获得单元,所述第四获得单元用于将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;第一生成单元,所述第一生成单元用于基于所述第一身姿分析结果,生成第一姿势准确系数;第二处理单元,所述第二处理单元用于如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过智能穿戴装置对第一用户的关节点进行识别,并对识别的用户运动关节点集合进行动态标记,通过监控装置对第一用户的运动视频信息进行采集,再根据姿态评估指标集合确定预定卷积核,按照所述预定卷积核对第一评估视频信息进行遍历卷积计算,并根据所计算的第一卷积计算结果,确定第一运动姿势特征信息,并以此生成身姿骨骼模拟图进行动态演示,然后将第一运动姿势特征信息和身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果,再基于第一身姿分析结果,生成第一姿势准确系数,如果第一姿势准确系数低于预设准确系数,则提醒第一用户进行姿势矫正的技术方案。进而达到通过对用户运动姿势进行实时监控,并对监控结果进行多维度分析,以此使得姿势分析结果更加准确高效,实现对姿势矫正更加及时合理,从而保证用户矫正和康复效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种智能姿势评估方法的流程示意图;
图2为本申请一种智能姿势评估方法中对第一身姿分析结果进行补充的流程示意图;
图3为本申请一种智能姿势评估方法中对第二身姿分析结果进行修正的流程示意图;
图4为本申请一种智能姿势评估方法中对第一用户进行姿势矫正的流程示意图;
图5为本申请一种智能姿势评估系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一确定单元12,第二获得单元13,第三获得单元14,第一处理单元15,第四获得单元16,第一生成单元17,第二处理单元18,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方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、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种智能姿势评估方法,所述方法应用于一姿势评估系统,所述系统包括一监控装置,且所述系统与一智能穿戴装置通讯连接,所述方法包括:
步骤S100:通过所述智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;
具体而言,姿势是身体的骨、关节和软组织的定位,良好的姿势是一种肌肉和骨骼的平衡状态,对保持身体健康、预防关节损伤、运动康复有着至关重要的作用。因此需要进行正确的姿势评估,姿势评估是教练或治疗师提供启动纠正运动策略的起点,同时可以监测患者进展,对监测用户的健康评测、矫正、康复等有着重要意义。所述智能穿戴装置是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如手表、手环、眼镜、服饰等。
通过所述智能穿戴装置对第一用户的关节点进行识别,所述第一用户是需要进行姿势评估的患者,获得所识别的用户运动关节点集合,所述用户运动关节点集合是用户在运动姿势测试中的评估关节点,包括肩关节、肘关节、髋关节、膝关节、踝关节等。对所述用户运动关节点集合进行动态标记,为后续全方面掌握评估测试人员的实时姿势变化状态提供基础。
步骤S200:根据所述用户运动关节点集合,确定姿态评估指标集合;
具体而言,根据所述用户运动关节点集合,确定姿态评估指标集合,所述姿态评估指标集合是对用户进行姿态准确评估的判别指标,包括步态时髋关节运动幅度、步态中的膝关节运动幅度、步态中的踝关节运动幅度、步态中的重心偏离情况、步态中肩膀旋转幅度、步态中的颈部关节角度、身体弯曲情况、前倾角度、身体侧弯情况、骨盆旋转度数、步态间距和步幅等。
步骤S300:通过所述监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;
步骤S400:根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;
具体而言,通过所述监控装置对所述第一用户的运动视频信息进行监测采集,所述监控装置可优选为红外摄像头,为用户运动姿势评估提供监控视频数据基础。根据所述姿态评估指标集合确定预定卷积核,按照所述姿态评估指标集合进行卷积核特征采集,所述预定卷积核为测试评估的身体姿势特征。卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核。
卷积核关注的是局部特征,即设定的标准特征,根据局部特征部位的卷积核的数值大小,对特征的匹配度进行采集评估。按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果,所述第一卷积计算结果表明用户测试评估过程中的姿势变化特征。
步骤S500:根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;
具体而言,根据所述第一卷积计算结果,确定所述第一用户的第一运动姿势特征信息,所述第一运动姿势特征信息是用户在运动测试评估中的姿势变化特征,包括运动幅度、角度等变化信息。并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示,可直观准确的通过动画模拟图显示用户各关节的运动状态。
步骤S600:将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;
进一步而言,本申请步骤S600还包括:
步骤S610:获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
步骤S620:将历史运动姿势特征信息和历史身姿骨骼模拟图作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
步骤S630:将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史身姿分析结果作为标识信息依次迭代训练,构建所述第一运动姿势分析模型。
具体而言,为评估用户姿势是否标准,将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,所述第一运动姿势分析模型为循环神经网络。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络,包括输入层,隐藏层和输出层。循环神经网络内处理层处理输入信息的过程中,其除了根据当前输入信息进行处理以外,还会保存上一时序的输出信息,将该输出信息作为当前时序的输入信息一同进行处理,进而得到输出,而随着时序的推进,处理层是不断更新的。循环神经网络通过使用带自反馈的神经元,使得网络的输出不仅和当前的输入有关,还和上一时刻的输出相关,于是在处理任意长度的时序数据时,就具有短期记忆能力。
所述初始隐藏层值可通过自定义的方式进行获得,基于所述初始隐藏层值获得第一输入权重矩阵,在处理的过程中,当前输入信息和上个时序的输出信息按照一定权重比值进行输出信息的预测,即为上述的权重矩阵,且在处理层更新的过程中,该权重矩阵内的权重值是稳定不变的。为保证模型评估准确性,将多组历史运动姿势特征信息和历史身姿骨骼模拟图作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练,将每次的输入层和上一次的隐藏层作为每次的隐藏层,此处的每次的隐藏层即为所述下一次隐藏层值,将对应的身姿分析结果作为标识信息即输出结果。
通过依次迭代训练,当循环神经网络的输出结果达到一定的准确率或收敛时,完成监督训练,构建所述第一运动姿势分析模型。基于所述第一运动姿势分析模型,获得所述模型的输出结果即所述第一身姿分析结果,所述第一身姿分析结果包括所述第一用户的姿势评估结果是否准确和各姿态评估指标的标准合格度及详细分析结果等。通过循环神经网络模型用于用户身姿进行分析,使得身姿分析结果更加准确合理,从而提高姿势评估结果的分析效率和准确性。
步骤S700:基于所述第一身姿分析结果,生成第一姿势准确系数;
步骤S800:如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正。
具体而言,基于所述第一身姿分析结果,生成第一姿势准确系数,所述第一姿势准确系数为用户的运动姿势标准程度,姿势准确系数越大,表明用户的运动姿势越标准。如果所述第一姿势准确系数低于预设准确系数,表明用户运动姿势标准度不够,存在健康问题需要进行矫正,根据所述第一提醒指令提醒所述第一用户进行姿势矫正,实现对姿势矫正更加及时合理,从而保证用户矫正和康复效果。
如图4所示,进一步而言,本申请步骤S800还包括:
步骤S810:根据所述第一姿势准确系数和所述预设准确系数的差值,获得第一姿势矫正系数;
步骤S820:构建标准姿势数据库,将所述第一姿势矫正系数和所述标准姿势数据库输入姿势矫正分析模型,获得第一姿势矫正方案;
步骤S830:根据所述第一姿势矫正方案对所述第一用户进行姿势矫正。
具体而言,所述第一姿势矫正系数是需要对用户运动姿势进行矫正的程度,为所述第一姿势准确系数和所述预设准确系数的差值,姿势矫正系数越大,表明用户的运动姿势越不标准,需要进行矫正的程度越大。构建标准姿势数据库,所述标准姿势数据库是各体型特征用户运动的标准姿势范围数据库,将所述第一姿势矫正系数和所述标准姿势数据库输入姿势矫正分析模型,所述姿势矫正分析模型为神经网络模型,用于根据用户运动姿势进行相关矫正方案的分析制定,获得所述模型的训练输出结果即第一姿势矫正方案,所述第一姿势矫正方案为用户的个性化矫正康复方案,包括矫正频率、矫正力度、矫正方式等。根据所述第一姿势矫正方案对所述第一用户进行姿势矫正,矫正结果更加精准合理,从而保证用户矫正效果和康复效果。
如图2所示,进一步而言,本申请步骤还包括:
步骤S910:根据所述第一身姿分析结果,获得所述姿态评估指标集合中未达标评估指标;
步骤S920:基于所述未达标评估指标和所述姿态评估指标集合,进行关联性分析,获得指标关联度集合;
步骤S930:对所述指标关联度集合中超过预定关联度阈值的指标进行筛选,获得关联度修正指标;
步骤S940:根据所述关联度修正指标对所述第一身姿分析结果进行补充,获得第二身姿分析结果。
具体而言,根据所述第一身姿分析结果,获得所述姿态评估指标集合中未达标评估指标,例如行走过程重心偏离过大、身体出现侧弯情况或是膝关节运动幅度过小。对所述未达标评估指标和所述姿态评估指标集合中的其他指标,进行关联性分析,即对未达标指标进行相应关联性指标分析,获得指标关联度集合,所述指标关联度集合是未达标指标与姿态评估指标集合中其他指标之间的关联度。
对所述指标关联度集合中超过预定关联度阈值的指标进行筛选,所述预定关联度阈值为预设指标关联度相关范围,获得与未达标指标具有强关联度的关联度修正指标。根据所述关联度修正指标对所述第一身姿分析结果进行补充,获得分析结果补充后的第二身姿分析结果,例如髋关节运动幅度指标与膝关节运动幅度指标具有强关联度,在分析时对髋关节运动幅度指标的未达标原因进行分析时结合膝关节运动幅度指标,通过联合分析使得身姿分析结果更加全面准确,从而提高对用户姿势的矫正效果和健康康复效果。
如图3所示,进一步而言,本申请步骤S940还包括:
步骤S941:通过所述智能穿戴装置获得所述第一用户的运动体征信息;
步骤S942:根据所述运动体征信息,获得第一心理评估承压曲线;
步骤S943:对所述第一心理评估承压曲线的波峰值和波谷值进行统计,并根据统计结果获得第一评估承压指数;
步骤S944:根据所述第一心理承压指数对所述第二身姿分析结果进行修正。
具体而言,通过所述智能穿戴装置获得所述第一用户的运动体征信息,所述运动体征信息包括用户运动测试过程中的呼吸频率、血压变化信息、心跳频率等。根据所述运动体征信息,获得第一心理评估承压曲线,所述第一心理评估承压曲线是用户在姿势评估中的心理承压波动情况,通过运动体征信息进行表征。对所述第一心理评估承压曲线的波峰值和波谷值进行统计,波峰值和波谷值表明评估人员的心理压力变化情况,波峰波谷的个数和数值越大,表明评估人员的心理压力越大,根据统计结果获得第一评估承压指数,所述第一评估承压指数用于表明姿势评估人员的心理承受能力。
姿势评估用户的心理承压指数会影响体征变化,例如测试用户的心理承压指数较低,测试过程中过于紧张,会导致姿势测试评估结果出现偏差。根据所述第一心理承压指数对所述第二身姿分析结果进行修正,通过考虑测试人员的承压能力对运动姿势进行分析,使得身姿分析结果更加全面准确,从而提高对用户姿势的矫正效果和健康康复效果。
进一步而言,所述构建标准姿势数据库之后,本申请步骤S820还包括:
步骤S821:根据所述标准姿势数据库,获得标准姿势图像数据集;
步骤S822:根据运动应用场景,确定标准姿势图像变化系数;
步骤S823:基于图像处理算法对所述标准姿势图像数据集进行数据扩增,所述数据扩增按照所述标准姿势图像变化系数进行变化输出,获得扩增标准姿势图像数据集;
步骤S824:根据所述扩增标准姿势图像数据集,对所述标准姿势数据库进行数据扩充。
具体而言,所述标准姿势数据库是各体型特征用户运动的标准姿势范围数据库,包括数据和图像等信息,根据所述标准姿势数据库,获得标准姿势图像数据集,所述标准姿势图像数据集是用户标准姿势图像集合。所述运动应用场景为对测试用户的运动类型场景,包括行走、慢跑、术后康复等,需对标准姿势图像数据集进行不同运动场景的运动角度、运动幅度、运动速度的转换。
按照所述标准姿势图像变化系数如尺度缩放、幅度转换、运动角度转换等进行图像转换,并通过图像处理算法对所述标准姿势图像数据集进行数据扩增,所述数据扩增按照所述标准姿势图像变化系数进行变化输出,获得扩增后的标准姿势图像数据集。根据所述扩增标准姿势图像数据集,对对所述标准姿势数据库进行数据扩充,通过对标准姿势数据库进行数据扩增,进而提高对不同运动应用场景的图像扩充,进而提高标准姿势数据库的全面性和姿势分析结果的准确性。
进一步而言,本申请步骤还包括:
步骤S1010:获得所述第一用户的基本生理信息;
步骤S1020:根据所述第一用户的个人训练目标,选择姿势评估模式;
步骤S1030:基于所述基本生理信息和所述姿势评估模式,从运动姿势分析模型库中调用所述第一运动姿势分析模型。
具体而言,由于用户的生理特征不同,其运动姿势评估也相应不同,所述第一用户的基本生理信息包括用户性别、年龄、身高、体重、病理状况等。所述第一用户的个人训练目标是用户的运动矫正目标,例如体态矫正、术后康复、老年康复、青少年脊柱养护等,不同的训练目标,姿势的测试标准也不同,根据所述第一用户的个人训练目标,选择姿势评估模式,例如行走、慢跑、术后康复等评估模式。
所述运动姿势分析模型模型库是根据历史用户运动姿势分析情况,按照评估模式和个人生理信息进行分类训练的各运动姿势分析模型数据库,所述运动姿势分析模型库中的姿势分析模型是循环神经网络模型。基于所述基本生理信息和所述姿势评估模式,从运动姿势分析模型库中调用所述第一运动姿势分析模型,所述第一运动姿势分析模型是与所述第一用户相匹配的姿势评估模型,实现用户姿势评估模型的个性化匹配,使得运动姿势分析结果更加准确,从而提高对用户姿势的矫正效果和康复效果。
综上所述,本申请所提供的一种智能姿势评估方法及系统具有如下技术效果:
由于采用了通过智能穿戴装置对第一用户的关节点进行识别,并对识别的用户运动关节点集合进行动态标记,通过监控装置对第一用户的运动视频信息进行采集,再根据姿态评估指标集合确定预定卷积核,按照所述预定卷积核对第一评估视频信息进行遍历卷积计算,并根据所计算的第一卷积计算结果,确定第一运动姿势特征信息,并以此生成身姿骨骼模拟图进行动态演示,然后将第一运动姿势特征信息和身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果,再基于第一身姿分析结果,生成第一姿势准确系数,如果第一姿势准确系数低于预设准确系数,则提醒第一用户进行姿势矫正的技术方案。进而达到通过对用户运动姿势进行实时监控,并对监控结果进行多维度分析,以此使得姿势分析结果更加准确高效,实现对姿势矫正更加及时合理,从而保证用户矫正和康复效果的技术效果。
实施例二
基于与前述实施例中一种智能姿势评估方法同样发明构思,本发明还提供了一种智能姿势评估系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;
第一确定单元12,所述第一确定单元12用于根据所述用户运动关节点集合,确定姿态评估指标集合;
第二获得单元13,所述第二获得单元13用于通过监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;
第三获得单元14,所述第三获得单元14用于根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;
第一处理单元15,所述第一处理单元15用于根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;
第四获得单元16,所述第四获得单元16用于将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;
第一生成单元17,所述第一生成单元17用于基于所述第一身姿分析结果,生成第一姿势准确系数;
第二处理单元18,所述第二处理单元18用于如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正。
进一步的,所述系统还包括:
第五获得单元,所述第五获得单元用于根据所述第一身姿分析结果,获得所述姿态评估指标集合中未达标评估指标;
第六获得单元,所述第六获得单元用于基于所述未达标评估指标和所述姿态评估指标集合,进行关联性分析,获得指标关联度集合;
第七获得单元,所述第七获得单元用于对所述指标关联度集合中超过预定关联度阈值的指标进行筛选,获得关联度修正指标;
第八获得单元,所述第八获得单元用于根据所述关联度修正指标对所述第一身姿分析结果进行补充,获得第二身姿分析结果。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于通过所述智能穿戴装置获得所述第一用户的运动体征信息;
第十获得单元,所述第十获得单元用于根据所述运动体征信息,获得第一心理评估承压曲线;
第十一获得单元,所述第十一获得单元用于对所述第一心理评估承压曲线的波峰值和波谷值进行统计,并根据统计结果获得第一评估承压指数;
第一修正单元,所述第一修正单元用于根据所述第一心理承压指数对所述第二身姿分析结果进行修正。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于根据所述第一姿势准确系数和所述预设准确系数的差值,获得第一姿势矫正系数;
第三处理单元,所述第三处理单元用于构建标准姿势数据库,将所述第一姿势矫正系数和所述标准姿势数据库输入姿势矫正分析模型,获得第一姿势矫正方案;
第四处理单元,所述第四处理单元用于根据所述第一姿势矫正方案对所述第一用户进行姿势矫正。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于根据所述标准姿势数据库,获得标准姿势图像数据集;
第二确定单元,所述第二确定单元用于根据运动应用场景,确定标准姿势图像变化系数;
第十四获得单元,所述第十四获得单元用于基于图像处理算法对所述标准姿势图像数据集进行数据扩增,所述数据扩增按照所述标准姿势图像变化系数进行变化输出,获得扩增标准姿势图像数据集;
第一扩充单元,所述第一扩充单元用于根据所述扩增标准姿势图像数据集,对所述标准姿势数据库进行数据扩充。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于获得所述第一用户的基本生理信息;
第一选择单元,所述第一选择单元用于根据所述第一用户的个人训练目标,选择姿势评估模式;
第一调用单元,所述第一调用单元用于基于所述基本生理信息和所述姿势评估模式,从运动姿势分析模型库中调用所述第一运动姿势分析模型。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
第一修正单元,所述第一修正单元用于将历史运动姿势特征信息和历史身姿骨骼模拟图作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
第一构建单元,所述第一构建单元用于将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史身姿分析结果作为标识信息依次迭代训练,构建所述第一运动姿势分析模型。
前述图1实施例一中的一种智能姿势评估方法的各种变化方式和具体实例同样适用于本实施例的一种智能姿势评估系统,通过前述对一种智能姿势评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种智能姿势评估系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图6所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种智能姿势评估方法,其中,所述方法应用于一姿势评估系统,所述系统包括一监控装置,且所述系统与一智能穿戴装置通讯连接,所述方法包括:
通过所述智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;
根据所述用户运动关节点集合,确定姿态评估指标集合;
通过所述监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;
根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;
根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;
将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;
基于所述第一身姿分析结果,生成第一姿势准确系数;
如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正;
所述方法还包括:
根据所述第一身姿分析结果,获得所述姿态评估指标集合中未达标评估指标;
基于所述未达标评估指标和所述姿态评估指标集合,进行关联性分析,获得指标关联度集合;
对所述指标关联度集合中超过预定关联度阈值的指标进行筛选,获得关联度修正指标;
根据所述关联度修正指标对所述第一身姿分析结果进行补充,获得第二身姿分析结果;
通过所述智能穿戴装置获得所述第一用户的运动体征信息;
根据所述运动体征信息,获得第一心理评估承压曲线;
对所述第一心理评估承压曲线的波峰值和波谷值进行统计,并根据统计结果获得第一评估承压指数;
根据所述第一心理承压指数对所述第二身姿分析结果进行修正。
2.如权利要求1所述的方法,其中,所述方法包括:
根据所述第一姿势准确系数和所述预设准确系数的差值,获得第一姿势矫正系数;
构建标准姿势数据库,将所述第一姿势矫正系数和所述标准姿势数据库输入姿势矫正分析模型,获得第一姿势矫正方案;
根据所述第一姿势矫正方案对所述第一用户进行姿势矫正。
3.如权利要求2所述的方法,其中,所述构建标准姿势数据库之后,包括:
根据所述标准姿势数据库,获得标准姿势图像数据集;
根据运动应用场景,确定标准姿势图像变化系数;
基于图像处理算法对所述标准姿势图像数据集进行数据扩增,所述数据扩增按照所述标准姿势图像变化系数进行变化输出,获得扩增标准姿势图像数据集;
根据所述扩增标准姿势图像数据集,对所述标准姿势数据库进行数据扩充。
4.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一用户的基本生理信息;
根据所述第一用户的个人训练目标,选择姿势评估模式;
基于所述基本生理信息和所述姿势评估模式,从运动姿势分析模型库中调用所述第一运动姿势分析模型。
5.如权利要求4所述的方法,其中,所述方法包括:
获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
将历史运动姿势特征信息和历史身姿骨骼模拟图作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史身姿分析结果作为标识信息依次迭代训练,构建所述第一运动姿势分析模型。
6.一种智能姿势评估系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于通过智能穿戴装置对第一用户的关节点进行识别,获得用户运动关节点集合,并对所述用户运动关节点集合进行动态标记;
第一确定单元,所述第一确定单元用于根据所述用户运动关节点集合,确定姿态评估指标集合;
第二获得单元,所述第二获得单元用于通过监控装置获得第一评估视频信息,所述第一评估视频信息包括所述第一用户的运动视频信息;
第三获得单元,所述第三获得单元用于根据所述姿态评估指标集合确定预定卷积核,按照所述预定卷积核对所述第一评估视频信息的每一帧图像信息进行遍历卷积计算,获得第一卷积计算结果;
第一处理单元,所述第一处理单元用于根据所述第一卷积计算结果,获得第一运动姿势特征信息,并根据所述第一运动姿势特征信息,生成身姿骨骼模拟图进行动态演示;
第四获得单元,所述第四获得单元用于将所述第一运动姿势特征信息和所述身姿骨骼模拟图输入第一运动姿势分析模型中进行多维度分析,获得第一身姿分析结果;
第一生成单元,所述第一生成单元用于基于所述第一身姿分析结果,生成第一姿势准确系数;
第二处理单元,所述第二处理单元用于如果所述第一姿势准确系数低于预设准确系数,生成第一提醒指令,所述第一提醒指令用于提醒所述第一用户进行姿势矫正;
第五获得单元,所述第五获得单元用于根据所述第一身姿分析结果,获得所述姿态评估指标集合中未达标评估指标;
第六获得单元,所述第六获得单元用于基于所述未达标评估指标和所述姿态评估指标集合,进行关联性分析,获得指标关联度集合;
第七获得单元,所述第七获得单元用于对所述指标关联度集合中超过预定关联度阈值的指标进行筛选,获得关联度修正指标;
第八获得单元,所述第八获得单元用于根据所述关联度修正指标对所述第一身姿分析结果进行补充,获得第二身姿分析结果;
第九获得单元,所述第九获得单元用于通过所述智能穿戴装置获得所述第一用户的运动体征信息;
第十获得单元,所述第十获得单元用于根据所述运动体征信息,获得第一心理评估承压曲线;
第十一获得单元,所述第十一获得单元用于对所述第一心理评估承压曲线的波峰值和波谷值进行统计,并根据统计结果获得第一评估承压指数;
第一修正单元,所述第一修正单元用于根据所述第一心理承压指数对所述第二身姿分析结果进行修正。
7.一种智能姿势评估电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012866.3A CN115813377B (zh) | 2023-01-05 | 2023-01-05 | 一种智能姿势评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012866.3A CN115813377B (zh) | 2023-01-05 | 2023-01-05 | 一种智能姿势评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115813377A CN115813377A (zh) | 2023-03-21 |
CN115813377B true CN115813377B (zh) | 2023-04-28 |
Family
ID=85520195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310012866.3A Active CN115813377B (zh) | 2023-01-05 | 2023-01-05 | 一种智能姿势评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115813377B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11633659B2 (en) * | 2018-09-14 | 2023-04-25 | Mirrorar Llc | Systems and methods for assessing balance and form during body movement |
CN110660017A (zh) * | 2019-09-02 | 2020-01-07 | 北京航空航天大学 | 一种基于三维姿态识别的舞谱记录与演示方法 |
CN113729657B (zh) * | 2021-10-08 | 2023-04-18 | 厦门理工学院 | 一种基于智能穿戴装置的数据监测方法及系统 |
CN113850248B (zh) * | 2021-12-01 | 2022-02-22 | 中科海微(北京)科技有限公司 | 运动姿态评估方法、装置、边缘计算服务器及存储介质 |
CN114495177A (zh) * | 2022-04-06 | 2022-05-13 | 北京蓝田医疗设备有限公司 | 一种情景交互式人体动作与平衡智能评估方法及系统 |
CN115564337A (zh) * | 2022-10-24 | 2023-01-03 | 南珠建材(清远)有限公司 | 一种混凝土管桩的质量评价方法及系统 |
CN115497596B (zh) * | 2022-11-18 | 2023-04-07 | 深圳聚邦云天科技有限公司 | 一种基于物联网的人体运动过程姿态纠正方法及系统 |
-
2023
- 2023-01-05 CN CN202310012866.3A patent/CN115813377B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115813377A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455909B2 (en) | Identification and analysis of movement using sensor devices | |
KR102492580B1 (ko) | 재활 운동 장치를 이용한 재활 운동 시스템 | |
Díaz et al. | DTCoach: your digital twin coach on the edge during COVID-19 and beyond | |
CN114495177A (zh) | 一种情景交互式人体动作与平衡智能评估方法及系统 | |
US11386806B2 (en) | Physical movement analysis | |
Deb et al. | Graph convolutional networks for assessment of physical rehabilitation exercises | |
CN110693500B (zh) | 平衡能力的练习评估方法、装置、服务器和存储介质 | |
Bleser et al. | Development of an inertial motion capture system for clinical application: Potentials and challenges from the technology and application perspectives | |
Bruce et al. | Skeleton-based detection of abnormalities in human actions using graph convolutional networks | |
Romeo et al. | Video based mobility monitoring of elderly people using deep learning models | |
Ishikawa et al. | Gait analysis of patients with knee osteoarthritis by using elevation angle: confirmation of the planar law and analysis of angular difference in the approximate plane | |
CN115813377B (zh) | 一种智能姿势评估方法及系统 | |
Solongontuya et al. | Novel side pose classification model of stretching gestures using three-layer LSTM | |
KR20220085445A (ko) | 자세교정 어플리케이션을 통한 정보 제공 방법 및 시스템 | |
TW201947358A (zh) | 適應性運動姿態感測系統與方法 | |
CN115841863A (zh) | 康复训练计划生成和康复训练系统 | |
CN116071827A (zh) | 一种康复运动评估方法、装置、电子设备及存储介质 | |
Nath et al. | A novel personal fitness trainer and tracker powered by artificial intelligence enabled by MEDIAPIPE and OpenCV | |
Pham et al. | A study on skeleton-based action recognition and its application to physical exercise recognition | |
CN117079308A (zh) | 人体骨性标志点检测方法、评估系统、设备及存储介质 | |
EP4147173A1 (en) | Variational auto encoder for mixed data types | |
CN111461236A (zh) | 用于展示宠物运动指标的完成度的方法 | |
Bruce et al. | EGCN++: A New Fusion Strategy for Ensemble Learning in Skeleton-Based Rehabilitation Exercise Assessment | |
Albert et al. | A computer vision approach to continuously monitor fatigue during resistance training | |
Senanayake et al. | Master-Slave IoT for Active Healthy Life Style |
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 |