CN117078976B - 动作评分方法、装置、计算机设备以及存储介质 - Google Patents

动作评分方法、装置、计算机设备以及存储介质 Download PDF

Info

Publication number
CN117078976B
CN117078976B CN202311328921.6A CN202311328921A CN117078976B CN 117078976 B CN117078976 B CN 117078976B CN 202311328921 A CN202311328921 A CN 202311328921A CN 117078976 B CN117078976 B CN 117078976B
Authority
CN
China
Prior art keywords
motion
parameter
limb
angular velocity
action
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
Application number
CN202311328921.6A
Other languages
English (en)
Other versions
CN117078976A (zh
Inventor
董梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202311328921.6A priority Critical patent/CN117078976B/zh
Publication of CN117078976A publication Critical patent/CN117078976A/zh
Application granted granted Critical
Publication of CN117078976B publication Critical patent/CN117078976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1124—Determining motor skills
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A63B71/0669—Score-keepers or score display devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/003—Repetitive work cycles; Sequence of movements
    • G09B19/0038—Sports
    • 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
    • A63B2220/05—Image processing for measuring physical parameters
    • 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
    • A63B2220/803—Motion sensors
    • 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
    • A63B2220/805—Optical or opto-electronic sensors
    • 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
    • A63B2220/806—Video cameras
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Social Psychology (AREA)

Abstract

本发明涉及动作评分领域，特别涉及动作评分方法、装置、计算机设备以及存储介质，获得待评分动作的动作数据，将待评分动作的动作数据输入至目标动作分割模型中进行动作分割，构建待评分动作对应的若干个分立动作的运动状态参数序列，根据若干个分立动作的运动状态参数序列，进行参数统计，获得各个分立动作的若干个运动统计参数；根据运动统计参数以及相应的运动范围阈值，对各个分立动作的若干个运动统计参数进行匹配处理，获得各个分立动作的若干个运动统计参数相应的匹配系数；根据各个分立动作的若干个运动统计参数以及相应的匹配系数，进行动作评分，获得各个分立动作的动作评分数据。

Description

动作评分方法、装置、计算机设备以及存储介质
技术领域
本发明涉及动作评分领域，特别涉及一种动作评分方法、装置、计算机设备以及存储介质。
背景技术
运动训练是指通过主动或被动的物理运动、牵拉、负重等方式改变身体机能的方法，在运动医学和康复医学领域，合理进行运动训练，对于缓解疲劳、纠正异常体态、消除功能障碍、缓解病症及后遗症症状、恢复肢体正常功能等有重要价值。科学、合理的运动训练往往是通过教练与学员面对面的教与学过程中完成。例如，瑜伽、太极拳、八段锦等以身体运动为主的运动训练中，常用的教学模式是专业人员做示范，用户进行模仿训练，专业人员提示动作要点、纠正用户的错误动作。然而，在训练过程中，用户的模仿训练过程并不能被监控和评价，动作是否到位、姿态是否正确、强度是否合理都不能被及时提示，有可能导致学员的训练动作不达标，从而影响训练效果。
发明内容
基于此，本发明提供一种动作评分方法、装置、设备以及存储介质，通过将待评分动作分割为多个分立动作，构建各个分立动作的运动状态参数序列，基于运动状态参数序列，计算各个分立动作的若干个运动统计参数以及相应的匹配系数，将运动统计参数与相应的匹配系数进行匹配操作，根据匹配结果确定各个分立动作的动作评分数据，实现了对用户的动作训练的评分功能，以及时提醒用户在动作训练过程中的动作规范是否准确。该技术方法如下：
第一方面，本申请实施例提供了一种动作评分方法，包括以下步骤：
获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；
将所述待评分动作的动作数据输入至预设的目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；
根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数；
根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数；
根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
第二方面，本申请实施例提供了一种动作评分装置，包括：
动作数据获取模块，用于获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；
运动状态参数序列构建模块，用于将所述待评分动作的动作数据输入至预设的目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；
参数统计模块，用于根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数；
匹配系数计算模块，用于根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数；
动作评分模块，用于根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以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；所述计算机程序被所述处理器执行时实现如第一方面所述的动作评分方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的动作评分方法的步骤。
在本实施例中，提供一种动作评分方法、装置、设备以及存储介质，通过将待评分动作分割为多个分立动作，构建各个分立动作的运动状态参数序列，基于运动状态参数序列，计算各个分立动作的若干个运动统计参数以及相应的匹配系数，将运动统计参数与相应的匹配系数进行匹配操作，根据匹配结果确定各个分立动作的动作评分数据，实现了对用户的动作训练的评分功能，以及时提醒用户在动作训练过程中的动作规范是否准确。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的动作评分方法的应用场景示意图；
图2为本申请一个实施例提供的动作评分方法的流程示意图；
图3为本申请另一个实施例提供的动作评分方法的流程示意图；
图4为本申请一个实施例提供的动作评分方法中S7的流程示意图；
图5为本申请一个实施例提供的动作评分方法中S3的流程示意图；
图6为本申请一个实施例提供的动作评分方法中S4的流程示意图；
图7为本申请一个实施例提供的动作评分方法中S6的流程示意图；
图8为本申请一个实施例提供的动作评分装置的结构示意图；
图9为本申请一个实施例提供的计算机设备的结构示意图。
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申请相一致的所有实施方式。相反，它们仅是本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请中所使用的单数形式的“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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，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。例如，在不脱离本申请范围的情况下，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。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参考图1，图1为本申请一个实施例提供的动作评分方法的应用场景示意图，应用场景包括客户端1以及服务端2，其中，服务端2通过网络接入方式接入互联网，与用户的客户端1建立数据通信连接，其中，网络可以是能够在所述服务端2与用户的客户端1之间实现通信的各种连接类型的通信介质，例如可以是有线通信链路、无线通信链路或者光纤电缆等等，本申请在此不做限制。
需要指出的是，在现有技术中会存在对“客户端”这一概念的多种理解，例如：可以将其理解为安装在计算机设备中的应用程序，或者，也可以将其理解为相对应于服务器的硬件设备。
在本申请实施例中，所称的“客户端”是指相对应于服务器的硬件设备，更具体来说，是指计算机设备，例如：智能手机、智能交互平板以及个人计算机等。
在客户端为智能手机、智能交互平板等移动设备时，用户可以在客户端上安装匹配的移动端应用程序，也可以在客户端上访问Web端应用程序。
在客户端为个人计算机（PC机）等非移动设备时，用户可以在客户端上安装匹配的PC端应用程序，同样也可以在客户端上访问Web端应用程序。
其中，移动端应用程序是指可安装在移动设备中的应用程序，PC端应用程序是指可安装在非移动设备中的应用程序，Web端应用程序是指需通过浏览器访问的应用程序。
具体地，Web端应用程序依据客户端类型的差异，又可以分为移动版本和PC版本，两者的页面布局方式以及可提供的服务器支持可能存在差别。
所述服务器可作为一个业务服务器，其可以负责进一步连接起相关音频数据服务器、视频流服务器以及其他提供相关支持的服务器等，以此构成逻辑上相关联的服务机群，来为相关的终端设备，例如图1中所示的用户的客户端提供服务。
请参阅图2，图2为本申请一个实施例提供的动作评分方法的流程示意图，包括如下步骤：
S1：获得待评分动作的动作数据。
在本实施例中，客户端通过预设的运动捕获模块，获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数。
具体地，运动捕获模块可在具有无线连接功能的移动设备上实现，如手机、平板电脑等，具体地，所述运动捕获模块包括多个运动传感器以及光学运动捕获设备，所述光学运动捕获设备包括若干个摄像头，运动传感器以及光学运动捕获设备可以无线方式与移动设备连接。运动传感器采用现有硬件设备，可选用百年旭康医疗器械有限公司的型号为YD122的运动跟踪传感器，或荷兰XSens公司的多款XSens DOT传感器。所述光学运动捕获设备也可采用现有硬件设备，包括VICON公司的Vero摄像头，或微软公司的Kinect设备。本领域技术人员根据上述产品描述无需创造性的劳动便可以进行使用，在此不再赘述。
在开始动作训练时，客户端在预设的显示界面上显示示范动作视频，以供用户参考进行动作训练，其中，所述示范动作视频是服务端发送，客户端接收的，在示范动作视频中，示范动作的每个分立动作开始时播放对应的语音提示或显示文字提示，以多媒体方式引导用户仿照示范动作进行训练。
在一个可选的实施例中，采用运动传感器方案，用户在身体不同部位固定有多个运动传感器，在用户按照预设的示范动作进行动作训练的过程中，运动传感器可实时测量所佩戴部位的磁场强度、角速度和加速度值，并转换为描述其空间位置的航向角、俯仰角、横滚角作为运动状态参数，将上述参数输入至客户端中，客户端获得所述待评分动作对应的动作数据。
在另一个可选的实施例中，采用光学捕获方案，通过使用光学运动捕获设备在不同视角拍摄用户，通过摄像头摄录用户的动作训练视频，获取用户在动作训练过程中的运动状态参数，发送至客户端中，客户端获得所述待评分动作对应的动作数据。
S2：将所述待评分动作的动作数据输入至预设的目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列。
目标动作分割模型采用左-右隐马尔可夫模型（continuous left-right HMM）。
在本实施例中，客户端将所述待评分动作的动作数据输入至预设的目标动作分割模型，使用Viterbi算法对待评分动作进行动作分割，获得所述待评分动作的若干个分立动作，根据所述待评分动作的动作数据，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数，所述运动状态参数序列为：
式中，为第m个分立动作的运动状态参数序列，/>为初始时刻，/>为持续时间，/>为第/>时刻的运动状态参数，M为分立动作的数目。
在一个可选的实施例中，目标动作分割模型是服务端发送，客户端接收的。请参阅图3，图3为本申请另一个实施例提供的动作评分方法的流程示意图，还包括步骤S6~S8，所述S6~S8在步骤S2之前，具体如下：
S6：获得预设的示范动作对应的若干个样本动作数据。
在本实施例中，服务端通过预设的运动捕获模块，获得预设的示范动作对应的若干个样本动作数据，其中，所述样本动作数据包括若干个时刻的运动状态参数。
同样地，如采用运动传感器方案，专业人员在身体不同部位固定有多个运动传感器。如采用光学捕获方案，设定好光学运动捕获设备在不同视角拍摄专业人员。专业人员按照预设的示范动作进行动作示范，在此过程中，通过摄像头摄录专业人员的动作训练视频，运动传感器或光学运动捕获设备获取专业人员在动作示范过程中的运动状态参数，发送至服务端中，重复若干次后，服务端获得所述示范动作对应的若干个样本动作数据。
S7：根据所述示范动作对应的若干个样本动作数据，采用动作分割的方法，获得所述示范动作对应的若干个分立动作以及各个所述分立动作对应的运动状态参数序列。
在本实施例中，服务端根据所述示范动作对应的若干个样本动作数据，采用动作分割的方法，获得所述示范动作对应的若干个分立动作以及各个所述分立动作对应的运动状态参数序列，其中，所述运动状态参数序列包括若干个多维运动状态参数，所述多维运动状态参数用于指示某一时刻的身体姿态。
具体地，服务端响应于动作切割指令，在预设的显示界面上显示摄录的专业人员的示范动作视频，操作人员使用编辑工具手工将示范动作分割为多个分立动作，获得所述示范动作对应的若干个分立动作。客户端根据所述示范动作对应的若干个样本动作数据，构建各个所述分立动作对应的运动状态参数序列。
S8：根据各个所述分立动作对应的运动状态参数序列，构建所述示范动作的参数统计范围，将所述示范动作的参数统计范围输入至待训练的动作分割模型中进行训练，获得目标动作分割模型。
在本实施例中，服务端根据各个所述分立动作对应的运动状态参数序列，构建所述示范动作的参数统计范围，将所述示范动作的参数统计范围输入至待训练的动作分割模型中进行训练，获得目标动作分割模型。
在一个可选的实施例中，服务端可以存储有多种不同的示范动作对应的若干个样本动作数据，服务端基于所述多种不同的示范动作对应的若干个样本动作数据对动作分割模型进行训练，将训练好的动作分割模型发送至客户端，以向用户提供新的示范动作的运动训练内容，实现了多种动作的添加，更加全面地为用户提供运动训练服务。
所述运动状态参数包括肢体屈伸角参数，请参阅图4，图4为本申请一个实施例提供的动作评分方法中S8的流程示意图，包括步骤S81~S85，具体如下：
S81：获得各个所述分立动作的运动状态参数序列中的最大肢体屈伸角参数，将各个所述最大肢体屈伸角参数进行对比，获得第一最大肢体屈伸角参数以及第一最小肢体屈伸角参数，构建所述示范动作的最大肢体屈伸角参数统计范围。
在本实施例中，服务端获得各个所述分立动作的运动状态参数序列中的最大肢体屈伸角参数，将各个所述最大肢体屈伸角参数进行对比，获得第一最大肢体屈伸角参数以及第一最小肢体屈伸角参数，构建所述示范动作的最大肢体屈伸角参数统计范围，其中，所述最大肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体屈伸角参数，为第m个所述分立动作的第n个维度的第一最大肢体屈伸角参数，M为分立动作的数目，N为维度数目。
S82：获得各个所述分立动作的运动状态参数序列中的最小肢体屈伸角参数，将各个所述最小肢体屈伸角参数进行对比，获得第二最大肢体屈伸角参数以及第二最小肢体屈伸角参数，构建所述示范动作的最小肢体屈伸角参数统计范围。
在本实施例中，服务端获得各个所述分立动作的运动状态参数序列中的最小肢体屈伸角参数，将各个所述最小肢体屈伸角参数进行对比，获得第二最大肢体屈伸角参数以及第二最小肢体屈伸角参数，构建所述示范动作的最小肢体屈伸角参数统计范围，其中，所述最小肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体屈伸角参数，为第m个所述分立动作的第n个维度的第二最大肢体屈伸角参数。
S83：对各个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行差分处理，获得各个所述分立动作的肢体角速度参数序列，获得各个所述分立动作的肢体角速度参数序列中的最大肢体角速度参数，将各个所述最大肢体角速度参数进行对比，获得第一最大肢体角速度参数以及第一最小肢体角速度参数，构建所述示范动作的最大肢体角速度参数统计范围。
在本实施例中，服务端对各个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行差分处理，获得各个所述分立动作的肢体角速度参数序列，获得各个所述分立动作的肢体角速度参数序列中的最大肢体角速度参数，将各个所述最大肢体角速度参数进行对比，获得第一最大肢体角速度参数以及第一最小肢体角速度参数，构建所述示范动作的最大肢体角速度参数统计范围，其中，所述最大肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体角速度参数，为第m个所述分立动作的第n个维度的第一最大肢体角速度参数。
S84：获得各个所述分立动作的肢体角速度参数序列中的最小肢体角速度参数，将各个所述最小肢体角速度参数进行对比，获得第二最大肢体角速度参数以及第二最小肢体角速度参数，构建所述示范动作的最小肢体角速度参数统计范围。
在本实施例中，服务端获得各个所述分立动作的肢体角速度参数序列中的最小肢体角速度参数，将各个所述最小肢体角速度参数进行对比，获得第二最大肢体角速度参数以及第二最小肢体角速度参数，构建所述示范动作的最小肢体角速度参数统计范围，其中，所述最小肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体角速度参数，为第m个所述分立动作的第n个维度的第二最大肢体角速度参数。
S85：获得各个所述分立动作的肢体角速度参数序列中的平均肢体角速度参数，将各个所述平均肢体角速度参数进行对比，获得第三最大肢体角速度参数以及第三最小肢体角速度参数，构建所述示范动作的平均肢体角速度参数统计范围。
在本实施例中，服务端获得各个所述分立动作的肢体角速度参数序列中的平均肢体角速度参数，将各个所述平均肢体角速度参数进行对比，获得第三最大肢体角速度参数以及第三最小肢体角速度参数，构建所述示范动作的平均肢体角速度参数统计范围，其中，所述平均肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第三最小肢体角速度参数，为第m个所述分立动作的第n个维度的第三最大肢体角速度参数。
S3：根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数。
在本实施例中，客户端根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数。
所述运动统计参数包括最大肢体屈伸角参数、最小肢体屈伸角参数、最大肢体角速度参数、最小肢体角速度参数以及平均肢体角速度参数。请参阅图5，图5为本申请一个实施例提供的动作评分方法中S3的流程示意图，包括步骤S31~S33，具体如下：
S31：将同一个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行对比，获得各个所述分立动作的最大肢体屈伸角参数以及最小肢体屈伸角参数。
在本实施例中，客户端将同一个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行对比，获得各个所述分立动作的最大肢体屈伸角参数以及最小肢体屈伸角参数。
S32：分别对各个所述分立动作的运动状态参数序列进行差分处理，获得各个所述分立动作的肢体角速度参数序列，将同一个所述分立动作的肢体角速度参数序列中的肢体角速度参数进行对比，获得各个所述分立动作的最大肢体角速度参数以及最小肢体角速度参数。
在本实施例中，客户端分别对各个所述分立动作的运动状态参数序列进行差分处理，获得各个所述分立动作的肢体角速度参数序列，将同一个所述分立动作的肢体角速度参数序列中的肢体角速度参数进行对比，获得各个所述分立动作的最大肢体角速度参数以及最小肢体角速度参数。
S33：分别对各个所述分立动作的肢体角速度参数序列进行平均处理，获得各个所述分立动作的平均肢体角速度参数。
在本实施例中，客户端分别对各个所述分立动作的肢体角速度参数序列进行平均处理，获得各个所述分立动作的平均肢体角速度参数。
S4：根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数。
所述运动范围阈值体现了动作难度和动作复杂程度，通过对运动范围阈值的调整，可以方便地根据学员能力，从而增加或减少学员完成训练的难度，提高运动训练的合理性。
在本实施例中，客户端根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数。
所述运动范围阈值包括第一运动阈值以及第二运动阈值。请参阅图6，图6为本申请一个实施例提供的动作评分方法中S4的流程示意图，包括步骤S41，具体如下：
S41：根据所述运动统计参数、相应的运动范围阈值以及预设的匹配算法，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数。
在本实施例中，客户端根据所述运动统计参数、相应的运动范围阈值以及预设的匹配算法，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数，其中，所述匹配算法为：
式中，为第i个运动统计参数，/>为第i个运动统计参数相应的匹配系数，为第i个运动统计参数相应的运动范围阈值中的第一运动阈值，/>为第i个运动统计参数相应的运动范围阈值中的第二运动阈值。
为了提高动作评分的准确性，在一个可选的实施例中，服务端将步骤S71~S74提取到的示范动作的最大肢体屈伸角参数统计范围、最小肢体屈伸角参数统计范围、最大肢体角速度参数统计范围以及最小肢体角速度参数统计范围发送至客户端，客户端将上述参数作为相应的运动统计参数的运动范围阈值。
具体地，客户端将第一最大肢体屈伸角参数、第一最小肢体屈伸角参数分别作为所述待评分动作相应的最大肢体屈伸角参数的运动范围阈值中的第一运动阈值、第二运动阈值。
客户端将第二最大肢体屈伸角参数、第二最小肢体屈伸角参数分别作为所述待评分动作相应的最小肢体屈伸角参数的运动范围阈值中的第一运动阈值、第二运动阈值。
客户端将第一最大肢体角速度参数、第一最小肢体角速度参数分别作为所述待评分动作相应的最大肢体角速度参数的运动范围阈值中的第一运动阈值、第二运动阈值。
客户端将第二最大肢体角速度参数、第二最小肢体角速度参数分别作为所述待评分动作相应的最小肢体角速度参数的运动范围阈值中的第一运动阈值、第二运动阈值。
客户端将第三最大肢体角速度参数、第三最小肢体角速度参数分别作为所述待评分动作相应的平均肢体角速度参数的运动范围阈值中的第一运动阈值、第二运动阈值。
S5：根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
在本实施例中，客户端根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
请参阅图7，图7为本申请一个实施例提供的动作评分方法中S6的流程示意图，包括步骤S51~S52，具体如下：
S51：根据各个所述分立动作的若干个所述运动统计参数、相应的匹配系数以及预设的第一动作评分算法，获得各个所述分立动作的动作评分数据。
所述第一动作评分算法为：
式中，为第m个分立动作的动作评分数据，I为分立动作的运动统计参数的数目，/>第m个分立动作的第i个运动统计参数，/>为第m个分立动作的第i个运动统计参数相应的权重参数，/>为第m个分立动作的第i个运动统计参数相应的匹配系数。
在本实施例中，客户端根据各个所述分立动作的若干个所述运动统计参数、相应的匹配系数以及预设的第一动作评分算法，获得各个所述分立动作的动作评分数据。
S52：根据各个所述分立动作的动作评分数据以及预设的第二动作评分算法，获得所述待评分动作的动作评分数据。
所述第二动作评分算法为：
式中，为所述待评分动作的动作评分数据，/>为第m个分立动作的权重参数。
在本实施例中，客户端根据各个所述分立动作的动作评分数据以及预设的第二动作评分算法，获得所述待评分动作的动作评分数据。实现了远程情况下对用户的动作训练的评分功能，以及时提醒用户在动作训练过程中的动作规范是否准确，确保了远程运动教学的专业性。
请参阅图8，图8为本申请一个实施例提供的动作评分装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现动作评分方法的全部或一部分，该装置8包括：
动作数据获取模块81，用于获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；
运动状态参数序列构建模块82，用于将所述待评分动作的动作数据输入至预设的目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；
参数统计模块83，用于根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数；
匹配系数计算模块84，用于根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数；
动作评分模块85，用于根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
在本申请的实施例中，通过动作数据获取模块，获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；通过运动状态参数序列构建模块，将所述待评分动作的动作数据输入至预设的目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；通过参数统计模块，根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数；通过匹配系数计算模块，根据所述运动统计参数以及相应的运动范围阈值，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数；通过动作评分模块，根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。本申请通过将待评分动作分割为多个分立动作，构建各个分立动作的运动状态参数序列，基于运动状态参数序列，计算各个分立动作的若干个运动统计参数以及相应的匹配系数，将运动统计参数与相应的匹配系数进行匹配操作，根据匹配结果确定各个分立动作的动作评分数据，实现了对用户的动作训练的评分功能，以及时提醒用户在动作训练过程中的动作规范是否准确。
请参考图9，图9为本申请一个实施例提供的计算机设备的结构示意图，计算机设备9包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述图2至图7所述实施例的方法步骤，具体执行过程可以参见图2至图7所述实施例的具体说明，在此不进行赘述。
其中，处理器91可以包括一个或多个处理核心。处理器91利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行动作评分装置8的各种功能和处理数据，可选的，处理器91可以采用数字信号处理（Digital Signal Processing,DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble Logic Array，PLA）中的至少一个硬件形式来实现。处理器91可集成中央处理器91（Central ProcessingUnit，CPU）、图像处理器91（Graphics Processing Unit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。
其中，存储器92可以包括随机存储器92（Random Access Memory，RAM），也可以包括只读存储器92（Read-Only Memory）。可选的，该存储器92包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器92可选的还可以是至少一个位于远离前述处理器91的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行所示实施例一至实施例三的方法步骤，具体执行过程可以参见所示图2至图7所述实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (6)

1.一种动作评分方法，其特征在于，包括以下步骤：
获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；
获得预设的示范动作对应的若干个样本动作数据，其中，所述样本动作数据包括若干个时刻的运动状态参数，所述运动状态参数包括肢体屈伸角参数以及肢体角速度参数；
根据所述示范动作对应的若干个样本动作数据，采用动作分割的方法，获得所述示范动作对应的若干个分立动作以及各个所述分立动作对应的运动状态参数序列，其中，所述运动状态参数序列包括若干个多维运动状态参数，所述多维运动状态参数用于指示某一时刻的身体姿态；
获得各个所述分立动作的运动状态参数序列中的最大肢体屈伸角参数，将各个所述最大肢体屈伸角参数进行对比，获得第一最大肢体屈伸角参数以及第一最小肢体屈伸角参数，构建所述示范动作的最大肢体屈伸角参数统计范围，其中，所述最大肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体屈伸角参数，/>为第m个所述分立动作的第n个维度的第一最大肢体屈伸角参数，M为分立动作的数目，N为维度数目；
获得各个所述分立动作的运动状态参数序列中的最小肢体屈伸角参数，将各个所述最小肢体屈伸角参数进行对比，获得第二最大肢体屈伸角参数以及第二最小肢体屈伸角参数，构建所述示范动作的最小肢体屈伸角参数统计范围，其中，所述最小肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体屈伸角参数，/>为第m个所述分立动作的第n个维度的第二最大肢体屈伸角参数；
对各个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行差分处理，获得各个所述分立动作的肢体角速度参数序列，获得各个所述分立动作的肢体角速度参数序列中的最大肢体角速度参数，将各个所述最大肢体角速度参数进行对比，获得第一最大肢体角速度参数以及第一最小肢体角速度参数，构建所述示范动作的最大肢体角速度参数统计范围，其中，所述最大肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第一最大肢体角速度参数；
获得各个所述分立动作的肢体角速度参数序列中的最小肢体角速度参数，将各个所述最小肢体角速度参数进行对比，获得第二最大肢体角速度参数以及第二最小肢体角速度参数，构建所述示范动作的最小肢体角速度参数统计范围，其中，所述最小肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第二最大肢体角速度参数；
获得各个所述分立动作的肢体角速度参数序列中的平均肢体角速度参数，将各个所述平均肢体角速度参数进行对比，获得第三最大肢体角速度参数以及第三最小肢体角速度参数，构建所述示范动作的平均肢体角速度参数统计范围，其中，所述平均肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第三最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第三最大肢体角速度参数；
将所述示范动作的参数统计范围输入至待训练的动作分割模型中进行训练，获得目标动作分割模型；
将所述待评分动作的动作数据输入至所述目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；
根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数，其中，所述运动统计参数包括最大肢体屈伸角参数、最小肢体屈伸角参数、最大肢体角速度参数、最小肢体角速度参数以及平均肢体角速度参数；
根据所述运动统计参数、相应的运动范围阈值以及预设的匹配算法，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数，其中，所述运动范围阈值包括最大肢体屈伸角参数、最小肢体屈伸角参数、最大肢体角速度参数、最小肢体角速度参数以及平均肢体角速度参数相应的运动范围阈值，所述运动范围阈值包括第一运动阈值以及第二运动阈值，所述最大肢体屈伸角参数相应的运动范围阈值中的第一运动阈值为第一最大肢体屈伸角参数，第二运动阈值为第一最小肢体屈伸角参数；所述最小肢体屈伸角参数相应的运动范围阈值中的第一运动阈值为第二最大肢体屈伸角参数，第二运动阈值为第二最小肢体屈伸角参数；所述最大肢体角速度参数相应的运动范围阈值中的第一运动阈值为第一最大肢体角速度参数，第二运动阈值为第一最小肢体角速度参数；所述最小肢体角速度参数相应的运动范围阈值中的第一运动阈值为第二最大肢体角速度参数，第二运动阈值为第二最小肢体角速度参数；所述平均肢体角速度参数相应的运动范围阈值中的第一运动阈值为第三最大肢体角速度参数，第二运动阈值为第三最小肢体角速度参数；所述匹配算法为：
式中，为第i个运动统计参数，/>为第i个运动统计参数相应的匹配系数，/>为第i个运动统计参数相应的运动范围阈值中的第一运动阈值，/>为第i个运动统计参数相应的运动范围阈值中的第二运动阈值；
根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
2.根据权利要求1所述的动作评分方法，其特征在于，所述根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数，包括步骤：
将同一个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行对比，获得各个所述分立动作的最大肢体屈伸角参数以及最小肢体屈伸角参数；
分别对各个所述分立动作的运动状态参数序列进行差分处理，获得各个所述分立动作的肢体角速度参数序列，将同一个所述分立动作的肢体角速度参数序列中的肢体角速度参数进行对比，获得各个所述分立动作的最大肢体角速度参数以及最小肢体角速度参数；
分别对各个所述分立动作的肢体角速度参数序列进行平均处理，获得各个所述分立动作的平均肢体角速度参数。
3.根据权利要求2所述的动作评分方法，其特征在于，所述根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据，包括步骤：
根据各个所述分立动作的若干个所述运动统计参数、相应的匹配系数以及预设的第一动作评分算法，获得各个所述分立动作的动作评分数据，其中，所述第一动作评分算法为：
式中，为第m个分立动作的动作评分数据，I为分立动作的运动统计参数的数目，第m个分立动作的第i个运动统计参数，/>为第m个分立动作的第i个运动统计参数相应的权重参数，/>为第m个分立动作的第i个运动统计参数相应的匹配系数；
根据各个所述分立动作的动作评分数据以及预设的第二动作评分算法，获得所述待评分动作的动作评分数据，其中，所述第二动作评分算法为：
式中，为所述待评分动作的动作评分数据，/>为第m个分立动作的权重参数。
4.一种动作评分装置，其特征在于，包括：
动作数据获取模块，用于获得待评分动作的动作数据，其中，所述动作数据包括若干个时刻的运动状态参数；
运动状态参数序列构建模块，用于获得预设的示范动作对应的若干个样本动作数据，其中，所述样本动作数据包括若干个时刻的运动状态参数，所述运动状态参数包括肢体屈伸角参数以及肢体角速度参数；
根据所述示范动作对应的若干个样本动作数据，采用动作分割的方法，获得所述示范动作对应的若干个分立动作以及各个所述分立动作对应的运动状态参数序列，其中，所述运动状态参数序列包括若干个多维运动状态参数，所述多维运动状态参数用于指示某一时刻的身体姿态；
获得各个所述分立动作的运动状态参数序列中的最大肢体屈伸角参数，将各个所述最大肢体屈伸角参数进行对比，获得第一最大肢体屈伸角参数以及第一最小肢体屈伸角参数，构建所述示范动作的最大肢体屈伸角参数统计范围，其中，所述最大肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体屈伸角参数，/>为第m个所述分立动作的第n个维度的第一最大肢体屈伸角参数，M为分立动作的数目，N为维度数目；
获得各个所述分立动作的运动状态参数序列中的最小肢体屈伸角参数，将各个所述最小肢体屈伸角参数进行对比，获得第二最大肢体屈伸角参数以及第二最小肢体屈伸角参数，构建所述示范动作的最小肢体屈伸角参数统计范围，其中，所述最小肢体屈伸角参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体屈伸角参数，/>为第m个所述分立动作的第n个维度的第二最大肢体屈伸角参数；
对各个所述分立动作的运动状态参数序列中的肢体屈伸角参数进行差分处理，获得各个所述分立动作的肢体角速度参数序列，获得各个所述分立动作的肢体角速度参数序列中的最大肢体角速度参数，将各个所述最大肢体角速度参数进行对比，获得第一最大肢体角速度参数以及第一最小肢体角速度参数，构建所述示范动作的最大肢体角速度参数统计范围，其中，所述最大肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第一最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第一最大肢体角速度参数；
获得各个所述分立动作的肢体角速度参数序列中的最小肢体角速度参数，将各个所述最小肢体角速度参数进行对比，获得第二最大肢体角速度参数以及第二最小肢体角速度参数，构建所述示范动作的最小肢体角速度参数统计范围，其中，所述最小肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第二最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第二最大肢体角速度参数；
获得各个所述分立动作的肢体角速度参数序列中的平均肢体角速度参数，将各个所述平均肢体角速度参数进行对比，获得第三最大肢体角速度参数以及第三最小肢体角速度参数，构建所述示范动作的平均肢体角速度参数统计范围，其中，所述平均肢体角速度参数统计范围为：
式中，为第m个所述分立动作的第n个维度的第三最小肢体角速度参数，/>为第m个所述分立动作的第n个维度的第三最大肢体角速度参数；
将所述示范动作的参数统计范围输入至待训练的动作分割模型中进行训练，获得目标动作分割模型；
将所述待评分动作的动作数据输入至所述目标动作分割模型中进行动作分割，构建所述待评分动作对应的若干个分立动作的运动状态参数序列，其中，所述运动状态参数序列包括若干个时刻的运动状态参数；
参数统计模块，用于根据若干个所述分立动作的运动状态参数序列，进行参数统计，获得各个所述分立动作的若干个运动统计参数，其中，所述运动统计参数包括最大肢体屈伸角参数、最小肢体屈伸角参数、最大肢体角速度参数、最小肢体角速度参数以及平均肢体角速度参数；
匹配系数计算模块，用于根据所述运动统计参数、相应的运动范围阈值以及预设的匹配算法，对各个所述分立动作的若干个所述运动统计参数进行匹配处理，获得各个所述分立动作的若干个所述运动统计参数相应的匹配系数，其中，所述运动范围阈值包括最大肢体屈伸角参数、最小肢体屈伸角参数、最大肢体角速度参数、最小肢体角速度参数以及平均肢体角速度参数相应的运动范围阈值，所述运动范围阈值包括第一运动阈值以及第二运动阈值，所述最大肢体屈伸角参数相应的运动范围阈值中的第一运动阈值为第一最大肢体屈伸角参数，第二运动阈值为第一最小肢体屈伸角参数；所述最小肢体屈伸角参数相应的运动范围阈值中的第一运动阈值为第二最大肢体屈伸角参数，第二运动阈值为第二最小肢体屈伸角参数；所述最大肢体角速度参数相应的运动范围阈值中的第一运动阈值为第一最大肢体角速度参数，第二运动阈值为第一最小肢体角速度参数；所述最小肢体角速度参数相应的运动范围阈值中的第一运动阈值为第二最大肢体角速度参数，第二运动阈值为第二最小肢体角速度参数；所述平均肢体角速度参数相应的运动范围阈值中的第一运动阈值为第三最大肢体角速度参数，第二运动阈值为第三最小肢体角速度参数；所述匹配算法为：
式中，为第i个运动统计参数，/>为第i个运动统计参数相应的匹配系数，/>为第i个运动统计参数相应的运动范围阈值中的第一运动阈值，/>为第i个运动统计参数相应的运动范围阈值中的第二运动阈值；
动作评分模块，用于根据各个所述分立动作的若干个所述运动统计参数以及相应的匹配系数，进行动作评分，获得各个所述分立动作的动作评分数据，根据各个所述分立动作的动作评分数据，获得所述待评分动作的动作评分数据。
5.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的动作评分方法的步骤。
6.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的动作评分方法的步骤。
CN202311328921.6A 2023-10-16 2023-10-16 动作评分方法、装置、计算机设备以及存储介质 Active CN117078976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311328921.6A CN117078976B (zh) 2023-10-16 2023-10-16 动作评分方法、装置、计算机设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311328921.6A CN117078976B (zh) 2023-10-16 2023-10-16 动作评分方法、装置、计算机设备以及存储介质

Publications (2)

Publication Number Publication Date
CN117078976A CN117078976A (zh) 2023-11-17
CN117078976B true CN117078976B (zh) 2024-01-30

Family

ID=88717397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311328921.6A Active CN117078976B (zh) 2023-10-16 2023-10-16 动作评分方法、装置、计算机设备以及存储介质

Country Status (1)

Country Link
CN (1) CN117078976B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650551A (zh) * 2015-10-30 2017-05-10 国网山西省电力公司电力科学研究院 一种基于先验知识的高压断路器动触头运动轨迹实时识别方法
CN110705418A (zh) * 2019-09-25 2020-01-17 西南大学 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统
CN111401330A (zh) * 2020-04-26 2020-07-10 四川自由健信息科技有限公司 教学系统及采用该教学系统的智能镜
CN111588597A (zh) * 2020-04-22 2020-08-28 百年旭康医疗器械有限公司 一种智能交互式步行训练系统及其实现方法
CN112597933A (zh) * 2020-12-29 2021-04-02 咪咕互动娱乐有限公司 动作评分方法、装置及可读存储介质
CN114005180A (zh) * 2021-10-29 2022-02-01 华南师范大学 一种用于羽毛球运动的动作评分方法及装置
CN114708660A (zh) * 2022-04-06 2022-07-05 中南大学 基于平均序列求法的网球动作评分方法、系统及设备
CN114742882A (zh) * 2022-03-04 2022-07-12 苏州中特微电子科技有限公司 一种单像素闭环骨架套刻对位算法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9646227B2 (en) * 2014-07-29 2017-05-09 Microsoft Technology Licensing, Llc Computerized machine learning of interesting video sections
US10176365B1 (en) * 2015-04-21 2019-01-08 Educational Testing Service Systems and methods for multi-modal performance scoring using time-series features
US11158351B1 (en) * 2018-12-20 2021-10-26 Snap Inc. Segment action detection
US11636777B2 (en) * 2020-01-21 2023-04-25 Roy Shteren System and method for improving exercise performance using a mobile device
WO2022070175A1 (en) * 2020-10-01 2022-04-07 Agt International Gmbh Method of scoring a move of a user and system thereof
CN112560665B (zh) * 2020-12-13 2022-05-13 同济大学 基于深度迁移学习实现人体姿态检测的专业舞蹈评价方法
CN114969490A (zh) * 2021-02-20 2022-08-30 华为技术有限公司 一种训练课程推荐方法及设备
US11727726B2 (en) * 2021-03-11 2023-08-15 Kemtai Ltd. Evaluating movements of a person
CN115497156A (zh) * 2021-06-01 2022-12-20 阿里巴巴新加坡控股有限公司 动作识别方法和装置、电子设备及计算机可读存储介质
CN113536267A (zh) * 2021-07-08 2021-10-22 泰安宇杰科技有限公司 一种基于人工智能的人体步态验证方法和云服务器
CN113656630A (zh) * 2021-08-17 2021-11-16 北京百度网讯科技有限公司 检索图像的方法、装置和系统
CN114332157B (zh) * 2021-12-14 2024-05-24 北京理工大学 一种双阈值控制的长时跟踪方法
CN115083017A (zh) * 2022-06-22 2022-09-20 咪咕互动娱乐有限公司 一种动作展示方法、装置及电子设备
CN115331777A (zh) * 2022-08-10 2022-11-11 绍兴市晟虎体育用品有限公司 动作评估方法、装置、电子设备及计算机可读存储介质
CN115131879B (zh) * 2022-08-31 2023-01-06 飞狐信息技术（天津）有限公司 一种动作评价方法及装置
CN115631532A (zh) * 2022-09-13 2023-01-20 江苏科技大学 一种康复训练系统中训练动作分类与完成度评分方法
CN116168799A (zh) * 2022-09-30 2023-05-26 海信视像科技股份有限公司 一种运动评分方法、装置和电子设备
CN115661930A (zh) * 2022-10-28 2023-01-31 上海探世家健康科技有限公司 动作评分方法、装置、动作评分设备及存储介质
CN116152924A (zh) * 2023-02-03 2023-05-23 江苏天瑞医疗器械有限公司 一种运动姿势评估方法、装置、系统及计算机存储介质
CN116386136A (zh) * 2023-03-13 2023-07-04 浙江壹体科技有限公司 基于人体骨骼关键点的动作评分方法、设备及介质
CN116704603A (zh) * 2023-06-01 2023-09-05 厦门城市职业学院(厦门开放大学) 一种基于肢体关键点分析的动作评估纠正方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650551A (zh) * 2015-10-30 2017-05-10 国网山西省电力公司电力科学研究院 一种基于先验知识的高压断路器动触头运动轨迹实时识别方法
CN110705418A (zh) * 2019-09-25 2020-01-17 西南大学 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统
CN111588597A (zh) * 2020-04-22 2020-08-28 百年旭康医疗器械有限公司 一种智能交互式步行训练系统及其实现方法
CN111401330A (zh) * 2020-04-26 2020-07-10 四川自由健信息科技有限公司 教学系统及采用该教学系统的智能镜
CN112597933A (zh) * 2020-12-29 2021-04-02 咪咕互动娱乐有限公司 动作评分方法、装置及可读存储介质
CN114005180A (zh) * 2021-10-29 2022-02-01 华南师范大学 一种用于羽毛球运动的动作评分方法及装置
CN114742882A (zh) * 2022-03-04 2022-07-12 苏州中特微电子科技有限公司 一种单像素闭环骨架套刻对位算法
CN114708660A (zh) * 2022-04-06 2022-07-05 中南大学 基于平均序列求法的网球动作评分方法、系统及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"远程康复中穿戴式传感器的运动捕获算法设计及应用";董梁;《中国医疗设备》;第36卷(第11期);第32-35、39页 *

Also Published As

Publication number Publication date
CN117078976A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN108734104B (zh) 基于深度学习图像识别的健身动作纠错方法及系统
CN109432753B (zh) 动作矫正方法、装置、存储介质及电子设备
CN109902659B (zh) 用于处理人体图像的方法和装置
CN107240049B (zh) 一种沉浸式环境中远程动作教学质量的自动评价方法和系统
CN113946211A (zh) 基于元宇宙的多个对象的交互方法及相关设备
US20160086510A1 (en) Movement assessor
CN110992222A (zh) 教学交互方法、装置、终端设备及存储介质
CN109545003A (zh) 一种显示方法、装置、终端设备及存储介质
US9248361B1 (en) Motion capture and analysis systems for use in training athletes
CN113505662B (zh) 一种健身指导方法、装置及存储介质
US11049321B2 (en) Sensor-based object tracking and monitoring
CN114022512A (zh) 运动辅助方法、装置及介质
CN111508033A (zh) 相机参数确定方法、图像处理方法、存储介质及电子装置
CN113409651B (zh) 直播健身方法、系统、电子设备、存储介质
CN112287767A (zh) 交互控制方法、装置、存储介质以及电子设备
CN112288766A (zh) 运动评估方法、装置、系统及存储介质
CN117078976B (zh) 动作评分方法、装置、计算机设备以及存储介质
CN113556599A (zh) 视频教学方法、装置、电视机及存储介质
KR102108180B1 (ko) 운동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법
WO2022230504A1 (ja) 動作改善装置、動作改善方法、動作改善プログラム及び動作改善システム
WO2022070747A1 (ja) アシストシステム、アシスト方法、およびアシストプログラム
CN113076004B (zh) 基于沉浸式设备对用户数据进行动态测评的方法、装置
US20230162458A1 (en) Information processing apparatus, information processing method, and program
CN113298013A (zh) 运动动作矫正方法、装置、存储介质及电子设备
CN210119873U (zh) 一种基于vr设备的监督装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant