CN117766098A - 一种基于虚拟现实技术的健身优化训练方法及系统 - Google Patents
一种基于虚拟现实技术的健身优化训练方法及系统 Download PDFInfo
- Publication number
- CN117766098A CN117766098A CN202410190332.4A CN202410190332A CN117766098A CN 117766098 A CN117766098 A CN 117766098A CN 202410190332 A CN202410190332 A CN 202410190332A CN 117766098 A CN117766098 A CN 117766098A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- building
- user
- training
- exercise
- 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
- 238000012549 training Methods 0.000 title claims abstract description 103
- 238000005516 engineering process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 92
- 230000003993 interaction Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000037147 athletic performance Effects 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 58
- 230000003287 optical effect Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012300 Sequence Analysis Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000009877 rendering Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012731 temporal analysis Methods 0.000 claims description 9
- 238000000700 time series analysis Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001744 unit root test Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 7
- 238000005316 response function Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000025978 Athletic injury Diseases 0.000 description 1
- 206010041738 Sports injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于虚拟现实技术的健身优化训练方法及系统,该方法包括以下步骤:利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;结合健身用户的个人信息及心率变化模式构建健身模型;利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。本发明利用虚拟现实技术创建逼真的虚拟训练场景,能够增加健身训练的真实感和身心投入度。
Description
技术领域
本发明涉及虚拟现实技术领域,具体来说,涉及一种基于虚拟现实技术的健身优化训练方法及系统。
背景技术
健身训练可以帮助人们增强肌肉力量、提高心肺功能、改善柔韧性,并有助于控制体重、增加骨密度和改善身体姿态。健身训练是通过体育锻炼和运动来提高身体健康和体能素质的过程。在进行健身训练时,建议制定个性化的训练计划,并根据自身目标和身体状况选择适合的训练方法。此外,正确的姿势和适当的负荷控制也很重要。
利用虚拟现实技术在健身领域中可以提供一种全新的训练体验,为健身训练提供了许多优化的可能性。虚拟现实技术的健身优化训练不仅可以增加训练的趣味性和刺激感,还可以提供个性化的指导和数据分析,帮助用户更好地进行训练,达到健身目标。
然而,在使用虚拟现实技术进行健身训练时,仍需注意安全和适度,合理控制训练强度,避免过度训练和运动损伤。由于不同健身用户的身体条件、健康状况和健身目标各不相同,在现有技术中,虽然可以通过佩戴心率监测器等外部设备来获取心率数据,但无法将心率数据与训练运动相融合,从而不仅难以分析心率数据与训练运动之间的关联性,并且无法根据心率变化调整训练的强度和负荷,进而无法保证健身用户在适当的心率区间内进行训练,降低健身训练的有效性和安全性。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于虚拟现实技术的健身优化训练方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于虚拟现实技术的健身优化训练方法,该方法包括以下步骤:
S1、利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;
S2、利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;
S3、分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
S4、结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案;
S5、利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;
S6、在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
可选地,所述利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征包括以下步骤:
S11、利用摄像头采集健身用户的健身视频数据,并将其作为图像序列输入;
S12、将获取的健身视频数据进行解码,得到图像序列;
S13、计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息;
S14、利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息;
S15、将光流场信息与骨骼关键点信息相融合,并从中提取健身用户的动作特征。
可选地,所述计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息包括以下步骤:
S131、将图像序列转换为灰度图像,采用shi-Tomasi角点检测算法提取每个图像帧的强角点,并将其作为特征点集;
S132、利用亚像素角点检测算法将特征点位置精确到亚像素级精度;
S133、将特征点集作为初始参考点集,采用Lucas-Kanade光流算法计算初始参考点集中每个特征点在图像中的移动方向和距离,得到光流信息;
S134、将得到的光流场信息进行分析,识别并追踪图像序列中的目标,并输出目标检测结果。
可选地,所述利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息包括以下步骤:
S141、利用VGG-19深度神经网络提取图像序列中的原始特征图,并将提取的特征图分成两个分支;
S142、在第一个分支中,利用卷积神经网络对特征图进行处理,预测出人体姿态的关键点,并生成热度图;
S143、在第二个分支中,利用另一个卷积神经网络对特征图进行处理,得到所有相连关键点的部分亲和域;
S144、基于关键点的部分亲和域,计算关键点间的总亲和度,得到最佳的关键点配对;
S145、根据关键点和关键点之间的连线,组成人体的骨架模型,获取并保存健身用户在运动时的骨骼关键点信息。
可选地,所述分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式包括以下步骤:
S31、将动作特征和心率特征对齐,使得同一时间点的动作特征与心率特征相对应;
S32、利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系;
S33、基于建立的映射关系,识别出健身用户在执行各动作特征的不同阶段中的心率变化模式;
其中,所述各动作特征的不同阶段包括动作开始阶段、高强度阶段和动作结束阶段;
S34、将识别出的心率变化模式应用于健身训练中,并根据心率变化评估健身动作的运动强度。
可选地,所述利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系包括以下步骤:
S321、对动作特征和心率特征分别进行单位根检验,判断其平稳性;
S322、分别对平稳后的动作特征和心率特征进行自相关和偏相关分析,并判断两者间的线性关联;
S323、根据自相关和偏相关函数的特征,选择相匹配的时间序列分析模型;
S324、对时间序列分析模型进行参数估计,并对时间序列分析模型的残差序列进行诊断,检验其是否为白噪声;
S325、若时间序列分析模型的残差序列符合白噪声的要求,则利用时间序列分析模型建立动作特征和心率特征之间的映射关系。
可选地,所述时间序列分析模型的表达式为:
;
式中,表示钟差数据系列,其中,i为非0自然数;
表示自回归系数;
表示滑移平均系数;
P、q均表示时间序列分析模型的阶数;
表示在时间点t处的白噪声误差项;
表示在时间点t-1处的白噪声误差项;
表示在时间点t-q处的白噪声误差项;
均表示在前一时刻的观测值;
表示在过去p个时刻的观测值。
可选地,所述利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景包括以下步骤:
S51、利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理;
S52、利用动作捕捉技术记录健身用户的动作特征,并将其应用于虚拟训练场景中的角色;
S53、确定健身用户与虚拟训练场景的交互方式,并设计相应的交互界面和操作方式;
S54、基于虚拟现实开发平台,使用编程工具进将虚拟训练场景中各元素进行集成,得到完整的人机交互虚拟训练场景;
S55、对人机交互虚拟训练场景进行测试,收集健身用户的反馈并进行实时优化。
可选地,所述利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理包括以下步骤:
S511、基于健身训练方案,确定虚拟训练场景中所需要的物体、环境及角色;
S512、利用三维建模软件创建虚拟训练场景中的物体、环境及角色的基础几何体;
S513、利用编辑工具对各基础几何体进行细化和调整,使其符合与实际场景中相对应的形状;
S514、创建自定义纹理,将纹理应用到基础几何体表面;
S515、在健身训练场景中添加光源,并基于实际场景中的光照效果调整光源参数;
S516、选择渲染参数,并利用渲染引擎对虚拟训练场景进行渲染处理。
根据本发明的另一个方面,还提供了一种基于虚拟现实技术的健身优化训练系统,该系统包括动作特征提取模块、心率特征提取模块、特征融合模块、健身方案生成模块、虚拟训练场景构建模块及健身方案优化模块;
所述动作特征提取模块与所述心率特征提取模块连接,所述心率特征提取模块与所述特征融合模块连接,所述特征融合模块与所述健身方案生成模块连接,所述健身方案生成模块与所述虚拟训练场景构建模块连接,所述虚拟训练场景构建模块与所述健身方案优化模块连接;
所述动作特征提取模块,用于利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;
所述心率特征提取模块,用于利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;
所述特征融合模块,用于分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
所述健身方案生成模块,用于结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案;
所述虚拟训练场景构建模块,用于利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;
所述健身方案优化模块,用于在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
本发明的有益效果为:
1、本发明利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景,通过光流场信息和骨骼关键点信息融合评估健身用户的动作准确性和流畅度,并提供个性化的训练指导和建议。同时,通过分析心率特征和动作特征的关联规则,制定个性化的训练计划,并调整训练强度和负荷,提高训练的有效性和安全性。
2、本发明融合光流场信息和骨骼关键点信息,全面评估健身用户的动作准确性和流畅度,并通过分析动作特征,能够帮助健身用户改善动作技巧和姿势,使动作更准确和流畅,通过与标准动作的比较,还可以识别健身用户在训练过程中的关键问题和潜在风险,提供精细的训练指导和个性化建议。
3、本发明通过分析心率特征和动作特征的关联规则,了解健身用户在不同运动阶段下的心率变化模式,从而有助于制定个性化的训练计划,根据健身用户的心率变化和动作特征进行调整,使训练更适合健身用户的身体状况和目标,同时,识别心率变化模式可以确定合适的训练强度,调整训练的强度和负荷,确保健身用户在适当的心率区间内进行训练,提高训练的有效性和安全性。
4、本发明利用虚拟现实技术创建逼真的虚拟训练场景,能够增加健身训练的真实感和身心投入度,提高健身用户的训练体验和动力,且通过交互界面和健身用户反馈,能够根据健身用户的需求调整训练内容和难度,提供个性化的训练,虚拟现实技术还提供即时的反馈和指导,帮助健身用户改进训练效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于虚拟现实技术的健身优化训练方法的流程图;
图2是根据本发明实施例的一种基于虚拟现实技术的健身优化训练系统的原理框图。
图中:
1、动作特征提取模块;2、心率特征提取模块;3、特征融合模块;4、健身方案生成模块;5、虚拟训练场景构建模块;6、健身方案优化模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
根据本发明的实施例,提供了一种基于虚拟现实技术的健身优化训练方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于虚拟现实技术的健身优化训练方法,该方法包括以下步骤:
S1、利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征。
其中,所述利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征包括以下步骤:
S11、利用摄像头采集健身用户的健身视频数据,并将其作为图像序列输入;
S12、将获取的健身视频数据进行解码,得到图像序列;
S13、计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息。
其中,所述计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息包括以下步骤:
S131、将图像序列转换为灰度图像,采用shi-Tomasi角点检测算法提取每个图像帧的强角点,并将其作为特征点集。
需要说明的是,shi-Tomasi角点检测算法是一种用于计算机视觉和图像处理中的角点检测算法,Shi-Tomasi算法通过评估图像中每个像素点的局部区域的变化程度来确定角点,其主要包括以下步骤:
使用Sobel、Prewitt等算子计算图像在水平和垂直方向上的梯度。
根据计算得到的图像梯度,对图像的每个像素点计算自相关矩阵。
使用自相关矩阵计算角点响应函数,该函数通过组合梯度的特征值来评估像素点是否为角点。具体而言,角点响应函数采用了最小特征值的概念,较小的特征值表示图像在该点存在角点的可能性较大。
在计算得到角点响应函数后,对响应函数进行非极大值抑制,以消除冗余的角点。
根据设定的阈值对角点响应函数进行筛选,只保留响应函数较大的像素点作为最终的强角点。
S132、利用亚像素角点检测算法将特征点位置精确到亚像素级精度。
需要说明的是,亚像素角点检测算法是一种改进的角点检测方法,可以将特征点的位置精确到亚像素级别。传统的角点检测算法通常只能将特征点的位置确定到像素级别,而亚像素角点检测算法通过对角点周围像素的插值计算,可以提高特征点位置的精度。
亚像素角点检测算法的基本思想是在检测到的角点周围进行子像素级别的插值计算,以得到更加精确的角点位置。常用的亚像素插值算法包括最小二乘拟合和亚像素模板匹配等。
S133、将特征点集作为初始参考点集,采用Lucas-Kanade光流算法计算初始参考点集中每个特征点在图像中的移动方向和距离,得到光流信息。
需要说明的是,Lucas-Kanade光流算法是一种用于计算机视觉中的光流估计算法,Lucas-Kanade光流算法的基本原理是基于一些假设:物体的运动在相邻帧之间是连续的,相邻像素的运动方向是相似的,并且光强度在局部区域内是恒定的。该算法通过在图像中选择一些兴趣点(如角点)来跟踪这些点的运动,并估计出光流向量,其主要包括以下步骤:
在当前帧和下一帧之间,根据选定的特征点,计算这些点的光流向量。通过追踪像素的位置变化来估计物体的运动。
利用选定的特征点,构建一个光流方程,该方程基于光强度在局部区域内的恒定性假设。
通过最小二乘法求解光流方程的未知数,即光流向量的x和y分量,该过程可以使用高斯牛顿法实现。
S134、将得到的光流场信息进行分析,识别并追踪图像序列中的目标,并输出目标检测结果。
S14、利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息。
其中,所述利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息包括以下步骤:
S141、利用VGG-19深度神经网络提取图像序列中的原始特征图,并将提取的特征图分成两个分支。
需要说明的是,VGG-19是一种经典的卷积神经网络,可以用于提取图像的高级语义特征。
S142、在第一个分支中,利用卷积神经网络对特征图进行处理,预测出人体姿态的关键点,并生成热度图。
需要说明的是,在该步骤中使用具有适合关键点检测的网络结构,如Hourglass网络(一种卷积神经网络架构),用于从特征图中预测出人体的关键点位置。
S143、在第二个分支中,利用另一个卷积神经网络对特征图进行处理,得到所有相连关键点的部分亲和域。
需要说明的是,在该步骤中使用具有适合关键点连线的网络结构,如PPN网络(一种神经网络模型),用于计算关键点之间的部分亲和域。
S144、基于关键点的部分亲和域,计算关键点间的总亲和度,得到最佳的关键点配对;
S145、根据关键点和关键点之间的连线,组成人体的骨架模型,获取并保存健身用户在运动时的骨骼关键点信息。
S15、将光流场信息与骨骼关键点信息相融合,并从中提取健身用户的动作特征。
需要说明的是,将光流场中的运动信息与骨骼关键点进行对应匹配。可以根据关键点的位置,在光流场中找到对应的运动向量,将光流场的运动向量作为关键点的属性之一,与关键点的位置、角度等信息一起构成一个更全面的特征向量,还可以计算光流场中关键点周围区域的平均运动向量、方差等统计特征,以增加动作特征的丰富性。
S2、利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征。
需要说明的是,心率特征主要包括为:
平均心率:计算心率数据的平均值,反映整个运动过程中的平均心率水平。
最大心率和最小心率:计算心率数据的最大值和最小值,反映最高和最低心率水平。
心率变异性(HRV):通过计算相邻心跳间的时间间隔来反映心率的变化情况。
心率区间:将心率数据划分为不同的心率区间(如低强度、中等强度、高强度),反映不同运动强度下的心率状态。
S3、分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
其中,所述分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式包括以下步骤:
S31、将动作特征和心率特征对齐,使得同一时间点的动作特征与心率特征相对应;
S32、利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系。
其中,所述利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系包括以下步骤:
S321、对动作特征和心率特征分别进行单位根检验,判断其平稳性;
S322、分别对平稳后的动作特征和心率特征进行自相关和偏相关分析,并判断两者间的线性关联;
S323、根据自相关和偏相关函数的特征,选择相匹配的时间序列分析模型。
其中,所述时间序列分析模型的表达式为:
;
式中,表示钟差数据系列,其中,i为非0自然数;
表示自回归系数;
表示滑移平均系数;
P、q均表示时间序列分析模型的阶数;
表示在时间点t处的白噪声误差项;
表示在时间点t-1处的白噪声误差项;
表示在时间点t-q处的白噪声误差项;
均表示在前一时刻的观测值;
表示在过去p个时刻的观测值。
S324、对时间序列分析模型进行参数估计,并对时间序列分析模型的残差序列进行诊断,检验其是否为白噪声;
S325、若时间序列分析模型的残差序列符合白噪声的要求,则利用时间序列分析模型建立动作特征和心率特征之间的映射关系。
需要说明的是,本发明中的时间序列分析模型为ARIMA模型,ARIMA模型(自回归移动平均模型)是一种经典的时间序列分析方法,用于分析和预测时间序列数据的趋势和季节性。
S33、基于建立的映射关系,识别出健身用户在执行各动作特征的不同阶段中的心率变化模式。
其中,所述各动作特征的不同阶段包括动作开始阶段、高强度阶段和动作结束阶段。
S34、将识别出的心率变化模式应用于健身训练中,并根据心率变化评估健身动作的运动强度。
S4、结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案。
需要说明的是,健身用户的个人信息包括年龄、性别、身体指标(如身高、体重、BMI),健身目标(如减脂、增肌、增强耐力等),利用收集到的个人信息和心率变化模型,构建一个适合的健身模型,根据构建的健身模型,结合用户的个人信息和健身目标,生成符合用户的健身训练方案,并根据健身用户的心率变化,实时调整训练强度和频率,保证训练效果和安全性。
S5、利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景。
需要说明的是,虚拟现实技术(Virtual Reality,简称VR)是一种通过计算机生成的仿真环境,使用户能够与虚拟环境进行互动并感受身临其境的体验,它通常使用头戴显示器(Head-Mounted Display,简称HMD)或者投影设备来呈现虚拟场景。
虚拟现实技术主要包括以下方面的技术:
头戴显示器:用户戴上头戴设备,可以看到虚拟环境中的图像。头戴显示器通常包括显示屏、传感器和音频设备,可以提供高分辨率的图像和立体声音效。
3D建模与场景设计:通过计算机生成虚拟环境的模型和场景,包括建筑物、地形、物体等。
动作捕捉技术:通过传感器和摄像头等设备,追踪用户的身体动作和手势,将其转化为虚拟环境中的角色动作。
实时渲染技术:将虚拟环境的模型和纹理进行实时渲染,以呈现逼真的光影效果和物理模拟。
交互与控制技术:通过手柄、传感器、眼动追踪等设备,实现用户与虚拟环境的交互和控制。
其中,所述利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景包括以下步骤:
S51、利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理。
需要说明的是,三维建模软件包括3ds Max、Maya、Blender等。
其中,所述利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理包括以下步骤:
S511、基于健身训练方案,确定虚拟训练场景中所需要的物体、环境及角色;
S512、利用三维建模软件创建虚拟训练场景中的物体、环境及角色的基础几何体;
S513、利用编辑工具对各基础几何体进行细化和调整,使其符合与实际场景中相对应的形状。
需要说明的是,利用编辑工具对各基础几何体进行细化和调整,使其符合实际场景中相应的形状。例如,调整器械的大小、形状和比例,使其与真实的器械相匹配;调整场地的大小、形状和地形,使其符合实际训练场景。
S514、创建自定义纹理,将纹理应用到基础几何体表面;
S515、在健身训练场景中添加光源,并基于实际场景中的光照效果调整光源参数;
S516、选择渲染参数,并利用渲染引擎对虚拟训练场景进行渲染处理。
S52、利用动作捕捉技术记录健身用户的动作特征,并将其应用于虚拟训练场景中的角色。
需要说明的是,利用动作捕捉技术,记录健身用户的动作特征,包括姿势、运动路径等,将记录的动作特征应用于虚拟训练场景中的角色,使得角色能够模拟健身用户的动作,实现动态交互和实时反馈。
S53、确定健身用户与虚拟训练场景的交互方式,并设计相应的交互界面和操作方式;
S54、基于虚拟现实开发平台,使用编程工具进将虚拟训练场景中各元素进行集成,得到完整的人机交互虚拟训练场景;
S55、对人机交互虚拟训练场景进行测试,收集健身用户的反馈并进行实时优化。
S6、在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
需要说明的是,将健身用户的运动数据与预设的健身模型进行比对和分析,从而可以评估健身用户的运动姿势是否正确、动作是否标准、动作的力量和速度是否适宜等,同时根据分析结果,向健身用户提供实时反馈和指导。例如,虚拟教练可以通过语音提示、虚拟标记或者示范动作等方式,告知健身用户如何调整姿势、改进动作和提高训练效果。
如图2所述,根据本发明的另一个实施例,还提供了一种基于虚拟现实技术的健身优化训练系统,该系统包括动作特征提取模块1、心率特征提取模块2、特征融合模块3、健身方案生成模块4、虚拟训练场景构建模块5及健身方案优化模块6;
所述动作特征提取模块1与所述心率特征提取模块2连接,所述心率特征提取模块2与所述特征融合模块3连接,所述特征融合模块3与所述健身方案生成模块4连接,所述健身方案生成模块4与所述虚拟训练场景构建模块5连接,所述虚拟训练场景构建模块5与所述健身方案优化模块6连接;
所述动作特征提取模块1,用于利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;
所述心率特征提取模块2,用于利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;
所述特征融合模块3,用于分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
所述健身方案生成模块4,用于结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案;
所述虚拟训练场景构建模块5,用于利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;
所述健身方案优化模块6,用于在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
综上所述,借助于本发明的上述技术方案,本发明利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景,通过光流场信息和骨骼关键点信息融合评估健身用户的动作准确性和流畅度,并提供个性化的训练指导和建议。同时,通过分析心率特征和动作特征的关联规则,制定个性化的训练计划,并调整训练强度和负荷,提高训练的有效性和安全性。
本发明融合光流场信息和骨骼关键点信息,全面评估健身用户的动作准确性和流畅度,并通过分析动作特征,能够帮助健身用户改善动作技巧和姿势,使动作更准确和流畅,通过与标准动作的比较,还可以识别健身用户在训练过程中的关键问题和潜在风险,提供精细的训练指导和个性化建议。
本发明通过分析心率特征和动作特征的关联规则,了解健身用户在不同运动阶段下的心率变化模式,从而有助于制定个性化的训练计划,根据健身用户的心率变化和动作特征进行调整,使训练更适合健身用户的身体状况和目标,同时,识别心率变化模式可以确定合适的训练强度,调整训练的强度和负荷,确保健身用户在适当的心率区间内进行训练,提高训练的有效性和安全性。
本发明利用虚拟现实技术创建逼真的虚拟训练场景,能够增加健身训练的真实感和身心投入度,提高健身用户的训练体验和动力,且通过交互界面和健身用户反馈,能够根据健身用户的需求调整训练内容和难度,提供个性化的训练,虚拟现实技术还提供即时的反馈和指导,帮助健身用户改进训练效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于虚拟现实技术的健身优化训练方法,其特征在于,该方法包括以下步骤:
S1、利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;
S2、利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;
S3、分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
S4、结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案;
S5、利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;
S6、在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
2.根据权利要求1所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征包括以下步骤:
S11、利用摄像头采集健身用户的健身视频数据,并将其作为图像序列输入;
S12、将获取的健身视频数据进行解码,得到图像序列;
S13、计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息;
S14、利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息;
S15、将光流场信息与骨骼关键点信息相融合,并从中提取健身用户的动作特征。
3.根据权利要求2所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述计算图像序列中相邻帧之间的光流场,并利用光流估计算法对其进行处理,得到光流场信息包括以下步骤:
S131、将图像序列转换为灰度图像,采用shi-Tomasi角点检测算法提取每个图像帧的强角点,并将其作为特征点集;
S132、利用亚像素角点检测算法将特征点位置精确到亚像素级精度;
S133、将特征点集作为初始参考点集,采用Lucas-Kanade光流算法计算初始参考点集中每个特征点在图像中的移动方向和距离,得到光流信息;
S134、将得到的光流场信息进行分析,识别并追踪图像序列中的目标,并输出目标检测结果。
4.根据权利要求3所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述利用人体姿态估计模型对图像序列中的人体关键点进行识别和定位,获取健身用户在运动时的骨骼关键点信息包括以下步骤:
S141、利用VGG-19深度神经网络提取图像序列中的原始特征图,并将提取的特征图分成两个分支;
S142、在第一个分支中,利用卷积神经网络对特征图进行处理,预测出人体姿态的关键点,并生成热度图;
S143、在第二个分支中,利用另一个卷积神经网络对特征图进行处理,得到所有相连关键点的部分亲和域;
S144、基于关键点的部分亲和域,计算关键点间的总亲和度,得到最佳的关键点配对;
S145、根据关键点和关键点之间的连线,组成人体的骨架模型,获取并保存健身用户在运动时的骨骼关键点信息。
5.根据权利要求1所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式包括以下步骤:
S31、将动作特征和心率特征对齐,使得同一时间点的动作特征与心率特征相对应;
S32、利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系;
S33、基于建立的映射关系,识别出健身用户在执行各动作特征的不同阶段中的心率变化模式;
其中,所述各动作特征的不同阶段包括动作开始阶段、高强度阶段和动作结束阶段;
S34、将识别出的心率变化模式应用于健身训练中,并根据心率变化评估健身动作的运动强度。
6.根据权利要求5所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述利用时间序列分析模型分析动作特征与心率特征之间的关联性,并建立两者之间的映射关系包括以下步骤:
S321、对动作特征和心率特征分别进行单位根检验,判断其平稳性;
S322、分别对平稳后的动作特征和心率特征进行自相关和偏相关分析,并判断两者间的线性关联;
S323、根据自相关和偏相关函数的特征,选择相匹配的时间序列分析模型;
S324、对时间序列分析模型进行参数估计,并对时间序列分析模型的残差序列进行诊断,检验其是否为白噪声;
S325、若时间序列分析模型的残差序列符合白噪声的要求,则利用时间序列分析模型建立动作特征和心率特征之间的映射关系。
7.根据权利要求6所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述时间序列分析模型的表达式为:
;
式中,表示钟差数据系列,其中,i为非0自然数;
表示自回归系数;
表示滑移平均系数;
P、q均表示时间序列分析模型的阶数;
表示在时间点t处的白噪声误差项;
表示在时间点t-1处的白噪声误差项;
表示在时间点t-q处的白噪声误差项;
均表示在前一时刻的观测值;
表示在过去p个时刻的观测值。
8.根据权利要求1所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景包括以下步骤:
S51、利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理;
S52、利用动作捕捉技术记录健身用户的动作特征,并将其应用于虚拟训练场景中的角色;
S53、确定健身用户与虚拟训练场景的交互方式,并设计相应的交互界面和操作方式;
S54、基于虚拟现实开发平台,使用编程工具进将虚拟训练场景中各元素进行集成,得到完整的人机交互虚拟训练场景;
S55、对人机交互虚拟训练场景进行测试,收集健身用户的反馈并进行实时优化。
9.根据权利要求8所述的一种基于虚拟现实技术的健身优化训练方法,其特征在于,所述利用三维建模软件创建虚拟训练场景中的物体、环境及角色,并进行纹理和光照的渲染处理包括以下步骤:
S511、基于健身训练方案,确定虚拟训练场景中所需要的物体、环境及角色;
S512、利用三维建模软件创建虚拟训练场景中的物体、环境及角色的基础几何体;
S513、利用编辑工具对各基础几何体进行细化和调整,使其符合与实际场景中相对应的形状;
S514、创建自定义纹理,将纹理应用到基础几何体表面;
S515、在健身训练场景中添加光源,并基于实际场景中的光照效果调整光源参数;
S516、选择渲染参数,并利用渲染引擎对虚拟训练场景进行渲染处理。
10.一种基于虚拟现实技术的健身优化训练系统,用于实现权利要求1-9中任一项所述的基于虚拟现实技术的健身优化训练方法,其特征在于,该系统包括动作特征提取模块、心率特征提取模块、特征融合模块、健身方案生成模块、虚拟训练场景构建模块及健身方案优化模块;
所述动作特征提取模块与所述心率特征提取模块连接,所述心率特征提取模块与所述特征融合模块连接,所述特征融合模块与所述健身方案生成模块连接,所述健身方案生成模块与所述虚拟训练场景构建模块连接,所述虚拟训练场景构建模块与所述健身方案优化模块连接;
所述动作特征提取模块,用于利用摄像设备获取健身用户的运动数据,并从中提取健身用户的动作特征;
所述心率特征提取模块,用于利用心率监测设备获取健身用户的心率数据,并从中提取健身用户的心率特征;
所述特征融合模块,用于分析心率特征和动作特征的关联规则,识别健身用户在不同运动阶段下的心率变化模式;
所述健身方案生成模块,用于结合健身用户的个人信息及心率变化模式构建健身模型,并生成符合健身用户的健身训练方案;
所述虚拟训练场景构建模块,用于利用虚拟现实技术构建与健身训练方案相匹配的人机交互虚拟训练场景;
所述健身方案优化模块,用于在人机交互虚拟训练场景中实时监测健身用户的运动表现,并实时调整健身模型及健身训练方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410190332.4A CN117766098B (zh) | 2024-02-21 | 2024-02-21 | 一种基于虚拟现实技术的健身优化训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410190332.4A CN117766098B (zh) | 2024-02-21 | 2024-02-21 | 一种基于虚拟现实技术的健身优化训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117766098A true CN117766098A (zh) | 2024-03-26 |
CN117766098B CN117766098B (zh) | 2024-07-05 |
Family
ID=90320483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410190332.4A Active CN117766098B (zh) | 2024-02-21 | 2024-02-21 | 一种基于虚拟现实技术的健身优化训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117766098B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090298650A1 (en) * | 2008-06-02 | 2009-12-03 | Gershom Kutliroff | Method and system for interactive fitness training program |
KR20130099323A (ko) * | 2012-02-29 | 2013-09-06 | 디게이트 주식회사 | 네추럴 인터렉션 기반 건강 및 재활운동 기능성 측정 평가 방법 |
CN108939418A (zh) * | 2018-09-06 | 2018-12-07 | 西北工业大学 | 一种基于unity 3D的VR健身交互系统 |
KR101970687B1 (ko) * | 2018-04-11 | 2019-04-19 | 주식회사 큐랩 | 개인화 증강현실 기술을 이용한 피트니스 코칭 시스템 |
CN110600125A (zh) * | 2019-09-18 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的体态分析助手系统及传输方法 |
US10716517B1 (en) * | 2014-11-26 | 2020-07-21 | Cerner Innovation, Inc. | Biomechanics abnormality identification |
CN111617464A (zh) * | 2020-05-28 | 2020-09-04 | 西安工业大学 | 一种动作识别的跑步机健身方法 |
DE102019120655A1 (de) * | 2019-07-31 | 2021-02-04 | Kevin Reuss | Verfahren und System zum Erzeugen individeller Trainingsabläufe in einer Simulatutionsumgebung, insbesondere für Sport- und Rehabilitationszwecke |
WO2021254198A1 (zh) * | 2020-06-19 | 2021-12-23 | 华为技术有限公司 | 一种控制跑步机的方法、电子设备和系统 |
CN114768203A (zh) * | 2022-04-28 | 2022-07-22 | 苏州奥镁智能科技有限公司 | 基于虚拟现实装置的腹式呼吸训练方法、系统及存储介质 |
CN114937485A (zh) * | 2022-07-21 | 2022-08-23 | 杭州萤石软件有限公司 | 一种健身指导的实现方法、装置、系统 |
CN115690917A (zh) * | 2023-01-04 | 2023-02-03 | 南京云创大数据科技股份有限公司 | 一种基于外观和运动智能关注的行人动作识别方法 |
KR20230018239A (ko) * | 2021-07-29 | 2023-02-07 | (주)지에이치랩 | 실시간 자세 추정을 통한 원격 재활 훈련 시스템 및 방법 |
US20230116624A1 (en) * | 2021-08-30 | 2023-04-13 | Chengdu Fit-Future Technology Co., Ltd. | Methods and systems for assisted fitness |
CN116096289A (zh) * | 2020-07-21 | 2023-05-09 | 医学节奏股份有限公司 | 用于增强神经康复的系统和方法 |
CN116841394A (zh) * | 2023-06-30 | 2023-10-03 | 成都拟合未来科技有限公司 | 一种显示用户运动状态信息的健身控制方法、电子设备 |
-
2024
- 2024-02-21 CN CN202410190332.4A patent/CN117766098B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090298650A1 (en) * | 2008-06-02 | 2009-12-03 | Gershom Kutliroff | Method and system for interactive fitness training program |
KR20130099323A (ko) * | 2012-02-29 | 2013-09-06 | 디게이트 주식회사 | 네추럴 인터렉션 기반 건강 및 재활운동 기능성 측정 평가 방법 |
US10716517B1 (en) * | 2014-11-26 | 2020-07-21 | Cerner Innovation, Inc. | Biomechanics abnormality identification |
KR101970687B1 (ko) * | 2018-04-11 | 2019-04-19 | 주식회사 큐랩 | 개인화 증강현실 기술을 이용한 피트니스 코칭 시스템 |
CN108939418A (zh) * | 2018-09-06 | 2018-12-07 | 西北工业大学 | 一种基于unity 3D的VR健身交互系统 |
DE102019120655A1 (de) * | 2019-07-31 | 2021-02-04 | Kevin Reuss | Verfahren und System zum Erzeugen individeller Trainingsabläufe in einer Simulatutionsumgebung, insbesondere für Sport- und Rehabilitationszwecke |
CN110600125A (zh) * | 2019-09-18 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的体态分析助手系统及传输方法 |
CN111617464A (zh) * | 2020-05-28 | 2020-09-04 | 西安工业大学 | 一种动作识别的跑步机健身方法 |
WO2021254198A1 (zh) * | 2020-06-19 | 2021-12-23 | 华为技术有限公司 | 一种控制跑步机的方法、电子设备和系统 |
CN116096289A (zh) * | 2020-07-21 | 2023-05-09 | 医学节奏股份有限公司 | 用于增强神经康复的系统和方法 |
KR20230018239A (ko) * | 2021-07-29 | 2023-02-07 | (주)지에이치랩 | 실시간 자세 추정을 통한 원격 재활 훈련 시스템 및 방법 |
US20230116624A1 (en) * | 2021-08-30 | 2023-04-13 | Chengdu Fit-Future Technology Co., Ltd. | Methods and systems for assisted fitness |
CN114768203A (zh) * | 2022-04-28 | 2022-07-22 | 苏州奥镁智能科技有限公司 | 基于虚拟现实装置的腹式呼吸训练方法、系统及存储介质 |
CN114937485A (zh) * | 2022-07-21 | 2022-08-23 | 杭州萤石软件有限公司 | 一种健身指导的实现方法、装置、系统 |
CN115690917A (zh) * | 2023-01-04 | 2023-02-03 | 南京云创大数据科技股份有限公司 | 一种基于外观和运动智能关注的行人动作识别方法 |
CN116841394A (zh) * | 2023-06-30 | 2023-10-03 | 成都拟合未来科技有限公司 | 一种显示用户运动状态信息的健身控制方法、电子设备 |
Non-Patent Citations (1)
Title |
---|
丛凌博;蔡吉花;: "ARMA模型在哈尔滨气温预测中的应用", 数学的实践与认识, vol. 42, no. 16, 23 August 2012 (2012-08-23), pages 190 - 195 * |
Also Published As
Publication number | Publication date |
---|---|
CN117766098B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881705B (zh) | 数据处理、训练、识别方法、装置和存储介质 | |
EP4002198A1 (en) | Posture acquisition method and device, and key point coordinate positioning model training method and device | |
CN109191588B (zh) | 运动教学方法、装置、存储介质及电子设备 | |
CN104598867B (zh) | 一种人体动作自动评估方法及舞蹈评分系统 | |
KR102125748B1 (ko) | 4d 아바타를 이용한 동작가이드장치 및 방법 | |
Chaudhari et al. | Yog-guru: Real-time yoga pose correction system using deep learning methods | |
CN110561399B (zh) | 用于运动障碍病症分析的辅助拍摄设备、控制方法和装置 | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
JP7235133B2 (ja) | 運動認識方法、運動認識プログラムおよび情報処理装置 | |
CN105989326A (zh) | 人眼三维位置信息的确定方法和装置 | |
CN104598012B (zh) | 一种互动型广告设备及其工作方法 | |
Nagalakshmi Vallabhaneni | The analysis of the impact of yoga on healthcare and conventional strategies for human pose recognition | |
CN114022512A (zh) | 运动辅助方法、装置及介质 | |
Lianzhen et al. | Athlete Rehabilitation Evaluation System Based on Internet of Health Things and Human Gait Analysis Algorithm | |
Schleicher et al. | BASH: Biomechanical Animated Skinned Human for Visualization of Kinematics and Muscle Activity. | |
CN114067953A (zh) | 康复训练方法、系统及计算机可读存储介质 | |
Li | Application of IoT-enabled computing technology for designing sports technical action characteristic model | |
CN117766098B (zh) | 一种基于虚拟现实技术的健身优化训练方法及系统 | |
KR20020011851A (ko) | 인공시각과 패턴인식을 이용한 체감형 게임 장치 및 방법. | |
Tannoury et al. | Human pose estimation for physiotherapy following a car accident using depth-wise separable convolutional neural networks. | |
CN116525061A (zh) | 一种基于远程人体姿态评估的训练监控方法及系统 | |
CN113343774B (zh) | 一种细粒度的工程力学跳水动作模拟与评估方法 | |
Palanimeera et al. | Yoga posture recognition by learning spatial-temporal feature with deep learning techniques | |
JP7482471B2 (ja) | 学習モデルの生成方法 | |
Gao | The Application of Virtual Technology Based on Posture Recognition in Art Design Teaching |
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 |