TW202009791A - 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 - Google Patents
動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TW202009791A TW202009791A TW107128025A TW107128025A TW202009791A TW 202009791 A TW202009791 A TW 202009791A TW 107128025 A TW107128025 A TW 107128025A TW 107128025 A TW107128025 A TW 107128025A TW 202009791 A TW202009791 A TW 202009791A
- Authority
- TW
- Taiwan
- Prior art keywords
- action
- action data
- subset
- preset
- similarity
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一種動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體。動作資料標記裝置接收動作訊號,各動作訊號包含一動作時間訊息及一動作資料組。一動作劇本包含預設動作訊息,各預設動作訊息包含一預設時間訊息及一預設動作。動作標記裝置針對各預設時間訊息執行:藉由比對動作時間訊息及預設時間訊息而決定動作訊號之一第一子集,計算第一子集之各動作訊號之動作資料組與一參考模型間之一相似度,根據該等相似度決定第一子集之一第二子集,且將第二子集所包含之各動作訊號之動作資料組標記為對應至該預設時間訊息所對應之該預設動作。
Description
本發明係關於一種動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體。具體而言,本發明之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體係根據一動作劇本及參考模型之比對以完成自動化動作資料標記。
目前已有許多領域採用「機器學習」的技術來建立動作辨識模型。目前的機器學習技術需要大量標記過的動作資料才能訓練出較佳的動作辨識模型,然而,收集大量的動作資料並予以標記不是一件容易的事。更甚的是,某些應用領域的動作資料為連續的,要收集及標記大量的連續動作資料更是難以達成。以有氧運動為例,若欲利用機器學習的技術訓練出較佳的動作辨識模型,需要在多人進行有氧運動的過程收集及記錄這些人的動作資料,且正確地標記每一段動作資料。此一過程不僅繁瑣,且曠日費時。
習知的收集及標記運動資料的方式有二大類。第一類方法為單次收集,其運作方式係每次選擇欲標記的動作,於使用者做一次該動作時收集動作資料,再標記該動作資料之起始時間點及終止時間點。重覆前述過程多次,即可收集且標記完成。第二類方法為批次收集,其運作方式係選擇 欲標記之動作,由使用者重覆多次該動作以取得批次動作資料,在使用者完成多次該動作後執行某些分析運算以確認每筆動作資料的可能起始時間點及可能的終止時間點。上述兩種方法之缺點為需要過多的人工介入,且準確率不高。因此,如何有效率地且正確地收集及標記機器學習所需的動作資料為一急需解決的課題。
本發明係關於一種動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體。具體而言,本發明之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體係根據一動作劇本及一參考模型之比對以完成自動化動作資料標記。
為達成上述目標,本發明所揭露之動作資料標記裝置包含一接收介面、一儲存器及一處理器,其中該處理器電性連接至該接收介面及該儲存器。該接收介面接收複數個動作訊號,其中各該動作訊號包含一動作時間訊息及一動作資料組。該儲存器儲存一動作劇本,其中該動作劇本包含複數個預設動作訊息,且各該預設動作訊息包含一預設時間訊息及一預設動作。該處理器針對各該預設時間訊息執行下列步驟:藉由比對該等動作時間訊息及該預設時間訊息而決定該等動作訊號之一第一子集;計算該第一子集中之各該動作訊號之該動作資料組與一參考模型間之一相似度;根據該等相似度決定該第一子集之一第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該參考模型間之該相似度大於一門檻值;以及將該第二子集所包含之各該動作訊號之該動作資料組標記為對應至該預設時間訊息所對應之該預設動作。
本發明所揭露之動作資料標記方法適用於一電子裝置。該電子裝置儲存一動作劇本,其中該動作劇本包含複數個預設動作訊息,且各該預設動作訊息包含一預設時間訊息及一預設動作。該動作資料標記方法包括下列步驟:(a)接收複數個動作訊號,其中各該動作訊號包含一動作時間訊息及一動作資料組;以及(b)針對各該預設時間訊息執行以下步驟:(b1)藉由比對該等動作時間訊息及該預設時間訊息而決定該等動作訊號之一第一子集;(b2)計算該第一子集中之各該動作訊號之該動作資料組與一參考模型間之一相似度;(b3)根據該等相似度決定該第一子集之一第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該參考模型間之該相似度大於一第一門檻值;以及(b4)將該第二子集所包含之各該動作訊號之該動作資料組標記為對應至該預設時間訊息所對應之該預設動作。
本發明所揭露之非暫態電腦可讀取記錄媒體,其係儲存一組電腦可執行程式。當該非暫態電腦可讀取記錄媒體被一處理器讀取時,該處理器執行該組電腦可執行程式以實施前述動作資料標記方法。
本發明所揭露之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體能在避免過多的人工介入的情況下,對每一段動作資料進行正確的動作標記,減少後續資料處理複雜度及提升資料可靠性。透過本發明所提供之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體,可以同時收集多人多種連續的動作資料,並且自動地給予適當的標記。由此可知,本發明所提供之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體可加速動作資料之標記與收集流程、使動作資料之標記自動化、提高運動資料之正確性與可用性、進而提升動作識別模型之識別效能。
依據下文之詳細說明,本發明所屬技術領域中具有通常知識者應能輕易思及本發明之其他適用範圍。然而,應理解的是,下文之詳細說明及特定實例僅為例示而已,此乃因依據此詳細說明,本發明所屬技術領域中具有通常知識者將明瞭在本發明精神及範圍內之各種改變及潤飾。
100‧‧‧動作資料標記裝置
102‧‧‧接收介面
104‧‧‧儲存器
106‧‧‧處理器
12‧‧‧動作劇本
A1、A2、A3、A4‧‧‧預設動作訊息
S1、S2、S3、S4‧‧‧動作訊號
201、202、203、204、205、206、207‧‧‧步驟
205’、208‧‧‧步驟
透過下文之詳細說明及圖式,將會更加全面地理解本發明。但應理解圖式係僅以例示方式提供,並非用以限制本發明,且其中:第1A圖係為根據本發明之動作資料標記裝置100之示意圖;第1B圖係為本發明之動作劇本12之一具體範例之示意圖;第2A圖係為本發明之一動作資料標記方法之流程圖;以及第2B圖係為本發明之另一動作資料標記方法之流程圖。
在以下說明中,將參照本發明之實例性實施例來解釋本發明,然而,此等實例性實施例並非用於將本發明限於此等實施例中所述之任何特定實例、實施例、環境、應用或特定實施方案。因此,對此等實例性實施例之說明僅為例示而非限制本發明,且本申請案之權利保護範圍應由申請專利範圍決定。
應瞭解的是,在以下實施例及圖式中,與本發明無關之元件已被省略而不予以繪示;且圖式中個別元件之尺寸及元件間之尺寸比例關係僅為便於理解起見而例示,而非用於限制實際比例。
第1A圖係為本發明之一實施例之動作資料標記裝置100之示意圖。動作資料標記裝置100為一電子裝置,可由電腦、本地伺服器、雲 端伺服器或其組合之機器實體來實現。動作資料標記裝置100包括一接收介面102、一儲存器104以及一處理器106。處理器106電性連結至接收介面102及儲存器104。除此之外,處理器106也可實體連結至接收介面102及儲存器104。
接收介面102可為一訊號接收器或其他能接收數位資料之介面。儲存器104可為一記憶體、一通用串列匯流排(Universal Serial Bus;USB)碟、一硬碟、一光碟(Compact Disk;CD)、一隨身碟或本發明所屬技術領域中具有通常知識者所知且具有相同功能之任何其他能儲存數位資料之非暫態儲存媒體或裝置。處理器106可為各種處理器、中央處理單元(Central Processing Unit;CPU)、微處理器(Microprocessor Unit;MPU)、數位訊號處理器(Digital Signal Processor;DSP)或本發明所屬技術領域中具有通常知識者所知之任何其他具有相同功能之計算裝置。
儲存器104儲存一動作劇本12。動作劇本12包含複數個預設動作訊息,且各預設動作訊息包含一預設時間訊息及一預設動作。於本實施例中,各該預設時間訊息包含一起始時間點及一結束時間點。於其他實施例中,各該預設時間訊息則可包含一起始時間點及一時間長度。此外,於動作劇本12中,各該預設動作可以一代碼、一文字、一符號或其他方式記錄。
為便於理解,以下將以第1B圖所示之一具體範例說明,但該具體範例並非用以限制本發明之範圍。於該具體範例中,動作劇本12包含四筆預設動作訊息A1、A2、A3、A4,其中預設動作訊息A1、A2、A3、A4中的每一筆包含一起始時間點、一結束時間點及一預設動作,且各預設動作以一代碼表示。為便於後續說明,茲假設代碼1、2、3、4分別代表抬手、打拳、 彎腰、踢腿。需說明者,本發明未限制如何產生動作劇本12。舉例而言,在有氧運動的應用中,教練可根據音樂的節拍、韻律、旋律或其他特性,定義出在哪些時間作哪些預設動作(例如:抬手、打拳),藉此產生動作劇本12。
於本實施例中,在一或多個使用者依據動作劇本12作動時(例如:教練依據動作劇本12帶領使用者運動時),接收介面102會接收使用者作動時所產生的複數個動作訊號S1、S2、S3、……、S4(例如:從使用者所配戴的慣性感測器接收)。動作訊號S1、S2、S3、……、S4各包含一動作時間訊息及一動作資料組,其中動作時間訊息包含一慣性感測器產生該動作資料組之一或多個時間點。視使用者所配戴的慣性感測器而定,各該動作資料組可包含複數個加速度值、複數個角速度值、複數個四元數值、複數個磁力值及複數個相位值其中之一或其組合。
舉例而言,動作訊號S1可包含第一時間點、第二時間點以及在第一時間點至第二時間點間(即一時間區段)由某一使用者所穿戴之慣性感測器所產生之一加速度值、一角速度值、一四元數值、一磁力值或/及一相位值。再舉例而言,動作訊號S2可包含第一時間點、第二時間點以及在第一時間點至第二時間點(即該時間區段)間由另一使用者所穿戴之慣性感測器所產生之另一加速度值、另一角速度值、另一四元數值、另一磁力值或/及另一相位值。同理,動作訊號S3、S4各可包含一或多個時間點以及該一或多個時間點所對應之動作資料組,不再贅述。
本實施例所提供之動作資料標記裝置100能藉由比對動作訊號S1、S2、S3、……、S4的動作時間訊息及動作劇本12所記載的預設時間訊息而決定將哪些動作訊號中的動作資料組進行標記。
接著,將具體闡述本發明所揭露的動作資料標記裝置100的工作原理。動作資料標記裝置100執行一動作資料標記方法,其流程圖係描繪於第2A圖。如前所述,動作資料標記裝置100儲存一動作劇本12,其中動作劇本12包含預設動作訊息A1、A2、A3、A4,且各該預設動作訊息A1、A2、A3、A4包含一預設時間訊息及一預設動作。動作資料標記裝置100執行的動作資料標記方法包括步驟201至步驟207,各步驟之細節詳述於下。
步驟201:接收介面102接收複數個動作訊號S1、S2、S3、……、S4,其中各該動作訊號S1、S2、S3、……、S4包含一動作時間訊息及一動作資料組。
針對預設動作訊息A1、A2、A3、A4每一個的預設時間訊息,動作資料標記方法會執行步驟202至步驟207。
步驟202:處理器106選取尚未分析過的預設時間訊息其中之一。
步驟203:處理器106藉由比對動作訊號S1、S2、S3、……、S4之動作時間訊息及該預設時間訊息而決定動作訊號S1、S2、S3、……、S4之一第一子集。於本實施例中,若一動作訊號的動作時間訊息落入該預設時間訊息內,該動作訊號會被選入該第一子集。於其他實施例中,若一動作訊號的動作時間訊息落入該預設時間訊息內,或是一動作訊號的動作時間訊息與該預設時間訊息的時間差在一預設範圍內,該動作訊號會被選入該第一子集。為便於後續說明,茲假設處理器106針對預設動作訊息A1的預設時間訊息進行步驟203之分析後,決定動作訊號S1、動作訊號S2及動作訊號S3為第一子集。
步驟204:處理器106計算該第一子集中之各該動作訊號之該動作資料組與一第一參考模型間之一第一相似度,其中該第一參考模型對應至該預設時間訊息所對應之該預設動作。為便於理解,茲假設處理器106目前係針對預設動作訊息A1的預設時間訊息進行分析,此時的預設時間訊息所對應的預設動作為代碼4所對應的預設動作(即,踢腿),因此第一參考模型對應至代碼4所對應的預設動作。
在本發明之某些實施例中,第一參考模型可為一標準模型。於這些實施例中,處理器106還會先以複數個標準動作資料組訓練出第一參考模型。例如:由一或多個教練根據動作劇本12作出複數個標準動作訊號,(其中,每一標準動作訊號包含一標準動作時間訊息以及複數個標準動作資料組),再根據與該預設時間訊息對應之該標準動作時間訊息所對應之該些標準動作資料組訓練出該第一參考模型。假設標準動作資料組包括角速度值及加速度值(不限於此),第一參考模型可包含一標準角速度值及一標準加速度值。
在本發明之某些實施例中,第一參考模型可為一互比模型。於這些實施例中,處理器106以該預設時間訊息所對應之該第一子集之該至少一動作資料組之一統計數值(例如:平均值)作為各該預設時間訊息所對應之該第一參考模型。假設動作資料組包括角速度值及加速度值(不限於此),則該互比模型可包含該第一子集中的角速度值之統計數值(例如:平均值)以及該第一子集中的加速度值統計數值(例如:平均值)。
需說明者,步驟204可利用各種統計值或機器學習的方式計算出各該第一相似度(例如:極值、平均值、標準差、變異數、方均根、分 布區間、動態時間扭曲(Dynamic Time Warping)、K平均法(K-means)、決策樹),而這些計算相似度之方式為本發明所屬技術領域中具有通常知識者所熟知,故不贅言。
步驟205:處理器106根據該等第一相似度決定該第一子集之一第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值。換句話說,步驟205從第一子集中挑選出動作資料組與第一參考模型較為接近的那些動作訊號作為第二子集。舉例而言,第一子集包含動作訊號S1、動作訊號S2及動作訊號S3,處理器106判斷動作訊號S1及動作訊號S2的動作資料組與第一參考模型間之第一相似度大於第一門檻值,因此以動作訊號S1及動作訊號S2作為第二子集。
需說明者,在本發明之某些實施例中,第一門檻值可為一特定比例或一特定數值。舉例而言,第一參考模型之內容為角速度值為10(rad/s),而某一動作訊號之動作資料組之內容為角速度值為9(rad/s),步驟204係根據一標準差公式(亦即,)計算出第一相似度,步驟205再判斷該第一相似度是否大於5%。
需說明者,於某些實施例中,處理器106在執行步驟204及步驟205時,並非只利用單一因子對動作資料之分類進行判斷(亦即,一動作資料組包含多種慣性資料,例如:同時包括加速度值及角速度值)。於這些實施例中,處理器106會進行綜合的判斷。舉例而言,各因子可各自有一對應的子門檻值,當某一因子的相似度大於其對應的子門檻值,但另一因子的相似度不大於其對應的子門檻值,處理器106會認定該動作訊號之第一相似 度小於第一門檻值,故不會將該動作訊號選入第二子集。
步驟206:處理器106將該第二子集所包含之各該動作訊號之該動作資料組標記為對應至該預設時間訊息所對應之該預設動作。茲假設處理器106目前係針對預設動作訊息A1的預設時間訊息進行分析,且第二子集包含動作訊號S1及動作訊號S2,處理器106便將動作訊號S1及動作訊號S2之動作資料組標記為對應至預設動作訊息A1的預設時間訊息所對應的預設動作(亦即,踢腿)。
步驟207:處理器106判斷是否有其他需分析的預設時間訊息。若判斷之結果為是,則再次執行步驟202至步驟207。若判斷之結果為否,則結束預設時間訊息之分析。
於某些實施例中,在步驟207判斷沒有其他需分析的預設時間訊息之後,處理器106還可執行另一步驟。具體而言,於該另一步驟中,處理器106針對各該預設動作,以其所對應之動作資料組訓練一預設動作模型。
由上述說明可知,動作資料標記裝置100及動作資料標記方法藉由比對動作訊號S1、S2、S3、……、S4的動作時間訊息與動作劇本12的預設時間訊息可篩選出各預設時間訊息所對應的動作資料組(第一子集),再藉由與第一參考模型比對可篩選出用於訓練某一預設動作之預設動作模型之動作資料組(第二子集)。透過上述步驟,動作資料標記裝置100及動作資料標記方法能夠對動作資料組準確地標記,能夠挑選出適合用於訓練預設動作模型之動作資料組,克服習知技術需以人工進行標記的問題。
需說明者,於本發明之某些實施例中,動作資料標記裝置100 所執行之動作資料標記方法之流程圖則如第2B圖所示。第2B圖之流程圖與第2A圖之流程圖大致相同,故以下僅針對二者相異之處詳述。
於這些實施例中,於步驟204之後,處理器106會執行步驟208,計算該第一子集中之各該動作訊號之該動作資料組與一第二參考模型間之一第二相似度。於本發明之一實施例中,第一參考模型可為前述之標準模型,而第二參考模型可為前述互比模型(或者,第一參考模型可為前述之互比模型,而第二參考模型可為前述標準比模型),但不以此為限。
於這些實施例中,於步驟208之後,處理器106係以步驟205’取代步驟205。於步驟205’,處理器106根據該等第一相似度及該等第二相似度決定該第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值且與該第二參考模型之該第二相似度大於一第二門檻值。於步驟205’之後才進行步驟206。
由前述說明可知,相較於第2A圖之動作資料標記方法,第2B圖所示之動作資料標記方法對動作訊號中的動作資料組多進行另一種判斷,故能增強標記動作資料的準確度。
本發明之另一實施例為一非暫態電腦可讀取記錄媒體,且該非暫態電腦可讀取記錄媒體可為一電子產品,例如:一唯讀記憶體(read only memory;ROM)、一快閃記憶體、一軟碟、一硬碟、一光碟(compact disk;CD)、一隨身碟、一可由網路存取之資料庫或本發明所屬技術領域中具有通常知識者所知且具有相同功能之任何其他儲存媒體。該非暫態電腦可讀取記錄媒體儲存一組電腦可執行程式。當該非暫態電腦可讀取記錄媒體被一處理器讀取時,該處理器執行該組電腦可執行程式以實現前述各種動作資 料標記方法。
本發明所揭露之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體能在避免過多的人工介入的情況下,對每一段動作資料進行正確的動作標記,減少後續資料處理複雜度及提升資料可靠性。透過本發明所提供之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體,可以同時收集多人多種連續的動作資料,並且自動地給予適當的標記。由此可知,本發明所提供之動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體可加速動作資料之標記與收集流程、使動作資料之標記自動化、提高運動資料之正確性與可用性、進而提升動作識別模型之識別效能。
上述揭露內容僅用來例舉本發明之部分實施態樣,以及闡述本發明之詳細技術內容及技術特徵,而非用來限制本發明之保護範疇及範圍。任何本發明所屬技術領域中具有通常知識者基於上述揭露內容及建議能思及之潤飾、替換、改變及均等性之安排均屬於本發明所主張之範圍,而本發明之權利保護範圍以申請專利範圍為準。
201~207‧‧‧步驟
Claims (20)
- 一種動作資料標記裝置,包含:一接收介面,接收複數個動作訊號,其中各該動作訊號包含一動作時間訊息及一動作資料組;一儲存器,儲存一動作劇本,其中該動作劇本包含複數個預設動作訊息,各該預設動作訊息包含一預設時間訊息及一預設動作;以及一處理器,電性連結至該接收介面及該儲存器,且針對各該預設時間訊息執行下列步驟:藉由比對該等動作時間訊息及該預設時間訊息而決定該等動作訊號之一第一子集;計算該第一子集中之各該動作訊號之該動作資料組與一第一參考模型間之一第一相似度;根據該等第一相似度決定該第一子集之一第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值;以及將該第二子集所包含之各該動作訊號之該動作資料組標記為對應至該預設時間訊息所對應之該預設動作。
- 如請求項第1項所述之動作資料標記裝置,其中該處理器還以複數個標準動作資料組訓練出該第一參考模型。
- 如請求項第1項所述之動作資料標記裝置,其中該處理器還以各該預設時間訊息所對應之該第一子集之該至少一動作資料組之一統計數值作為各該預設時間訊息所對應之該第一參考模型。
- 如請求項第1項所述之動作資料標記裝置,其中該處理器還針對各該預設時間訊息執行以下步驟: 計算該第一子集中之各該動作訊號之該動作資料組與一第二參考模型間之一第二相似度;其中,該處理器係根據該等第一相似度及該等第二相似度決定該第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值且與該第二參考模型之該第二相似度大於一第二門檻值。
- 如請求項第4項所述之動作資料標記裝置,其中該處理器還以複數個標準動作資料組訓練出該第一參考模型,以各該預設時間訊息所對應之該第一子集所包含之各該動作訊號之該動作資料組之一統計數值作為各該預設時間訊息所對應之該第二參考模型。
- 如請求項第1項所述之動作資料標記裝置,其中該處理器係計算該第一子集中之各該動作訊號之該動作資料組之一第一統計值與該第一參考模型之一第二統計值間之該第一相似度。
- 如請求項第1項所述之動作資料標記裝置,其中各該動作資料組包含複數個加速度值、複數個角速度值、複數個四元數值、複數個磁力值及複數個相位值其中之一或其組合。
- 如請求項第1項所述之動作資料標記裝置,其中該處理器還針對各該預設動作執行以下步驟:以該預設動作所對應之該至少一動作資料組訓練一預設動作模型。
- 一種動作資料標記方法,適用於一電子裝置,該電子裝置儲存一動作劇本,該動作劇本包含複數個預設動作訊息,各該預設動作訊息包含一預設時間訊息及一預設動作,且該動作資料標記方法包括下列步驟:(a)接收複數個動作訊號,其中各該動作訊號包含一動作時間訊息及一動作資料組;以及 (b)針對各該預設時間訊息執行以下步驟:(b1)藉由比對該等動作時間訊息及該預設時間訊息而決定該等動作訊號之一第一子集;(b2)計算該第一子集中之各該動作訊號之該動作資料組與一第一參考模型間之一第一相似度;(b3)根據該等第一相似度決定該第一子集之一第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值;以及(b4)將該第二子集所包含之各該動作訊號之該動作資料組標記為對應至該預設時間訊息所對應之該預設動作。
- 如請求項第9項所述之動作資料標記方法,更包括以下步驟:以複數個標準動作資料組訓練出該第一參考模型。
- 如請求項第9項所述之動作資料標記方法,更包括以下步驟:以各該預設時間訊息所對應之該第一子集之該至少一動作資料組之一統計數值作為各該預設時間訊息所對應之該第一參考模型。
- 如請求項第9項所述之動作資料標記方法,其中該步驟(b)還執行以下步驟:計算該第一子集中之各該動作訊號之該動作資料組與一第二參考模型間之一第二相似度;其中,該步驟(b3)係根據該等第一相似度及該等第二相似度決定該第二子集,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值且與該第二參考模型之該第二相似度大於一第二門檻值。
- 如請求項第12項所述之動作資料標記方法,更包括以下步驟: 以複數個標準動作資料組訓練出該第一參考模型;以及以各該預設時間訊息所對應之該第一子集所包含之各該動作訊號之該動作資料組之一統計數值作為各該預設時間訊息所對應之該第二參考模型。
- 如請求項第9項所述之動作資料標記方法,其中該步驟(b2)係計算該第一子集中之各該動作訊號之該動作資料組之一第一統計值與該第一參考模型之一第二統計值間之該第一相似度。
- 如請求項第9項所述之動作資料標記方法,其中各該動作資料組包含複數個加速度值、複數個角速度值、複數個四元數值、複數個磁力值及複數個相位值其中之一或其組合。
- 如請求項第9項所述之動作資料標記方法,更包括以下步驟:針對各該預設動作,以該預設動作所對應之該至少一動作資料組訓練一預設動作模型。
- 一種非暫態電腦可讀取記錄媒體,儲存一組電腦可執行程式,當該非暫態電腦可讀取記錄媒體被一處理器讀取時,該處理器執行該組電腦可執行程式以實施如請求項第9項所述之動作資料標記方法。
- 如請求項第17項所述之非暫態電腦可讀取記錄媒體,其中該動作資料標記方法還包含下列步驟:以複數個標準動作資料組訓練出該第一參考模型。
- 如請求項第17項所述之非暫態電腦可讀取記錄媒體,其中該動作資料標記方法還包含下列步驟:以各該預設時間訊息所對應之該第一子集之該至少一動作資料組之一統計數值作為各該預設時間訊息所對應之該第一參考模型。
- 如請求項第17項所述之非暫態電腦可讀取記錄媒體,其中該動作資料 標記方法還包含下列步驟:針對各該預設時間訊息執行以下步驟:計算該第一子集中之各該動作訊號之該動作資料組與一第二參考模型間之一第二相似度;其中,該第二子集係根據該等第一相似度及該等第二相似度而被決定,其中該第二子集所包含之各該動作訊號之該動作資料組與該第一參考模型間之該第一相似度大於一第一門檻值且與該第二參考模型之該第二相似度大於一第二門檻值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107128025A TWI698806B (zh) | 2018-08-10 | 2018-08-10 | 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 |
CN201811041544.7A CN110865721B (zh) | 2018-08-10 | 2018-09-07 | 动作数据标记装置、方法及非暂态计算机可读取存储介质 |
US16/248,764 US11164094B2 (en) | 2018-08-10 | 2019-01-15 | Device, method, and non-transitory computer readable storage medium for labelling motion data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107128025A TWI698806B (zh) | 2018-08-10 | 2018-08-10 | 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202009791A true TW202009791A (zh) | 2020-03-01 |
TWI698806B TWI698806B (zh) | 2020-07-11 |
Family
ID=69405063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107128025A TWI698806B (zh) | 2018-08-10 | 2018-08-10 | 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11164094B2 (zh) |
CN (1) | CN110865721B (zh) |
TW (1) | TWI698806B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI758749B (zh) * | 2020-06-16 | 2022-03-21 | 國立臺北科技大學 | 動作判斷方法及系統 |
US11797646B2 (en) | 2020-11-30 | 2023-10-24 | Wistron Corp | Method, electronic device, and computer program product for standardizing image annotation |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113074724B (zh) * | 2021-03-26 | 2023-05-02 | 歌尔股份有限公司 | 运动时间计算方法、装置、设备及计算机可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5807283A (en) * | 1997-01-27 | 1998-09-15 | Ng; Kim Kwee | Activity monitor |
WO2006069264A1 (en) * | 2004-12-22 | 2006-06-29 | össur hf | Systems and methods for processing limb motion |
WO2011030781A1 (ja) * | 2009-09-14 | 2011-03-17 | 国立大学法人大阪大学 | 筋シナジー解析方法、筋シナジー解析装置、及び筋シナジーインターフェース |
TWI505228B (zh) * | 2013-05-20 | 2015-10-21 | Univ Kaohsiung Medical | 一種自主復健動作量化評估系統 |
TWI591569B (zh) * | 2014-01-20 | 2017-07-11 | Univ Kaohsiung Medical | Rehabilitation action editing and graphical evaluation system |
US20170055918A1 (en) * | 2015-08-28 | 2017-03-02 | Focus Ventures, Inc. | Automated motion of interest recognition, detection and self-learning |
EP3423962A4 (en) * | 2016-03-04 | 2019-10-02 | Axon Vibe AG | SYSTEMS AND METHOD FOR PREDICTING THE USER BEHAVIOR BASED ON LOCATION DATA |
TWI611314B (zh) * | 2016-11-17 | 2018-01-11 | 財團法人資訊工業策進會 | 為一紡織染色製程決定一目標控制數據組之裝置、方法及其電腦程式產品 |
-
2018
- 2018-08-10 TW TW107128025A patent/TWI698806B/zh active
- 2018-09-07 CN CN201811041544.7A patent/CN110865721B/zh active Active
-
2019
- 2019-01-15 US US16/248,764 patent/US11164094B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI758749B (zh) * | 2020-06-16 | 2022-03-21 | 國立臺北科技大學 | 動作判斷方法及系統 |
US11797646B2 (en) | 2020-11-30 | 2023-10-24 | Wistron Corp | Method, electronic device, and computer program product for standardizing image annotation |
Also Published As
Publication number | Publication date |
---|---|
TWI698806B (zh) | 2020-07-11 |
US11164094B2 (en) | 2021-11-02 |
CN110865721B (zh) | 2023-09-29 |
US20200050955A1 (en) | 2020-02-13 |
CN110865721A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977262B (zh) | 从视频中获取候选片段的方法、装置及处理设备 | |
TWI698806B (zh) | 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體 | |
WO2018196798A1 (zh) | 用户客群分类方法和装置 | |
EP3506185A1 (en) | Method for training model and information recommendation system | |
CN107978311A (zh) | 一种语音数据处理方法、装置以及语音交互设备 | |
CN107688790A (zh) | 人体行为识别方法、装置、存储介质及电子设备 | |
US20220310051A1 (en) | Rhythm Point Detection Method and Apparatus and Electronic Device | |
CN107292302B (zh) | 检测图片中兴趣点的方法和系统 | |
JP5477635B2 (ja) | 情報処理装置および方法、並びにプログラム | |
CN111291824B (zh) | 时间序列的处理方法、装置、电子设备和计算机可读介质 | |
JP2019503541A (ja) | 電子データ構造から属性を抽出するための注釈システム | |
WO2020015411A1 (zh) | 一种训练改编水平评价模型、评价改编水平的方法及装置 | |
CN108563731A (zh) | 一种情感分类方法及装置 | |
CN105739882B (zh) | 用于字符识别的计算机可读记录介质、方法及设备 | |
CN101292281A (zh) | 发音诊断装置、发音诊断方法、存储媒介、以及发音诊断程序 | |
WO2022247403A1 (zh) | 关键点检测方法、电子设备、程序及存储介质 | |
CN102473409A (zh) | 基准模型适应装置、集成电路、av设备、在线自适应方法以及其程序 | |
CN113590421B (zh) | 日志模板提取方法、程序产品及存储介质 | |
Wu et al. | Efficient motion data indexing and retrieval with local similarity measure of motion strings | |
US20220143484A1 (en) | Scoring system of automatically detecting body motion, scoring method of automatically detecting body motion, and non-transitory computer-readable storage medium | |
Malawski et al. | Real-time action detection and analysis in fencing footwork | |
Varma et al. | ViLLA: Fine-Grained Vision-Language Representation Learning from Real-World Data | |
JP2007058603A (ja) | パターン認識方法及び装置及びプログラム | |
WO2020211248A1 (zh) | 活体检测日志解析的方法、装置、存储介质及计算机设备 | |
JPWO2021019645A5 (ja) | 学習データ生成装置、学習装置、識別装置、生成方法及びプログラム |