【技术实现步骤摘要】
一种基于深度模型框架的实时运动在线指导系统
本专利技术属于无线传感技术、计算机应用技术和数据融合
,是一种基于深度模型框架的实时运动在线指导系统。
技术介绍
随着人民生活水平的提高、健身意识的不断加强以及国家对于“全民健身”的提倡,使得运动健身正在成为人们的一种生活方式,人们通过健身提高各方面的身体素质。但是,不规范的健身动作不仅达不到健身效果,还容易对身体造成损伤。而目前并没有一种适合大众健身的在线运动实时指导装置。传统的动作识别技术大多基于摄像头、体感操作捕捉人体动作的画面,再经过算法模型识别人体动作。例如微软的Kinect和任天堂的Wii,但是摄像头设备和体感操作设备在使用时具有较大的场景局限性,并且价格昂贵大多使用在游戏方面。因此,传统动作识别技术并没有解决健身场景下数据采集的局限性,针对健身场景缺乏专业的适配解决方案。针对该问题,对时序数据进行研究可能是一个有效的突破口。时序数据中蕴含有关数据随时间变化的有用信息。对时序数据正确地做成多维度报表,能揭示其趋势性、规律性、异常性,从而可以去衡量变化:分析过去的变化,监测现在的变化,以及预测未来将如何变 ...
【技术保护点】
1.一种基于深度模型框架的实时运动在线指导系统,其特征在于包括三层基础级架构,分别为基础硬件层、软件服务层、功能展示层;基础硬件层由数据采集设备和服务器设备组成;软件服务层由数据搜集单元、数据管理单元、服务提供单元、模型迭代单元、运动分析单元这五个部分组成;功能展示层用于显示APP功能和手环功能;基础硬件层中的数据采集设备为软件服务层中的运动分析和数据管理提供输入数据,服务器设备为软件服务层提供硬件上的存储支持、管理支持、计算支持;软件服务层提供了数据搜集单元、数据管理单元,设计了模型迭代单元、运动分析单元,服务提供单元在代码层次上封装有各类复杂的程序算法。
【技术特征摘要】
1.一种基于深度模型框架的实时运动在线指导系统,其特征在于包括三层基础级架构,分别为基础硬件层、软件服务层、功能展示层;基础硬件层由数据采集设备和服务器设备组成;软件服务层由数据搜集单元、数据管理单元、服务提供单元、模型迭代单元、运动分析单元这五个部分组成;功能展示层用于显示APP功能和手环功能;基础硬件层中的数据采集设备为软件服务层中的运动分析和数据管理提供输入数据,服务器设备为软件服务层提供硬件上的存储支持、管理支持、计算支持;软件服务层提供了数据搜集单元、数据管理单元,设计了模型迭代单元、运动分析单元,服务提供单元在代码层次上封装有各类复杂的程序算法。2.根据权利要求1所述的一种基于深度模型框架的实时运动在线指导系统,其特征在于所述的数据采集设备是基于硬件自组网的高精准度数据采集装置,包括主机模块和从机模块;所述的主机模块包括单片机模块、传感器模块、电源模块、蓝牙模块和射频模块,所述的从机模块包括单片机模块、传感器模块、电源模块、射频模块;所述的服务器设备部署有计算机节点、网络服务器和数据库。3.根据权利要求2所述的一种基于深度模型框架的实时运动在线指导系统,其特征在于所述的单片机模块为ARM公司出品的CortexTM-M3STM32F103C8T6,LQFP-48封装增强型32位微控制器,是主机与从机的控制芯片;传感器模块为GY-521MPU-6050模块;蓝牙模块型号为HC-05;射频模块型号为NRF24L01+;电源模块是3.7V1500mAh锂电池模块;数据库采用SQLServer2012;网络服务器管理服务器中的文件、数据、程序;客户端与网络服务器之间的通信基于HTTP协议进行,当客户端发送请求至网络服务器时,所述网络服务器接收到请求之后生成响应并将其返回至客户端;所述的计算节点管理数据、日志、配置、线程处理、进程通信,接收服务器任务,转发任务与计算结果。4.根据权利要求3所述的一种基于深度模型框架的实时运动在线指导系统,其特征在于所述的数据搜集单元描述数据搜集的逻辑,控制硬件设备正确运行;数据管理单元支持服务提供单元的数据访问与存储;服务提供单元是各类被封装的接口的集合,其中包含实现运动分析单元和模型迭代单元的接口;模型迭代单元储存着经过优化的最新模型,是用户APP中运动分析单元的唯一自动升级工具。5.根据权利要求4所述的一种基于深度模型框架的实时运动在线指导系统,其特征在于数据搜集单元,具体实现如下:硬件设备系统初始化射频模块、传感器模块;然后传感器模块工作,采集加速度和角速度数据,并将采集数据传输给各自从机上的单片机模块,进行数据预处理——通过卡尔曼滤波进行噪声滤除和数据优化;接着各个从机模块将处理过的数据打包,通过射频模块发送给所述主机模块;同时主机模块中的传感器模块工作,采集加速度和角速度数据,传输给主机模块中的的单片机模块进行数据预处理——通过卡尔曼滤波进行噪声滤除和数据优化;此外,如果主机模块成功接收到从机模块的数据,则进行再次打包,将所有数据通过蓝牙模块发送给上位机,再开始下一次循环,否则直接下一次数据采集;至此,所述硬件设备系统控制所述的数据采集设备完成一次数据采集;所述的单片机模块的卡尔曼滤波算法的流程包括以下步骤:(1)由k-1时刻的最优值去预测k时刻系统的状态值(2)由上一次的误差协方差Pk-1和过程噪声Q预测新的误差(3)计算卡尔曼增益,(4)进行校正更新,(5)为下一步估计k+1时刻的最优值得迭代进行更新操作,及跟新Pk值,(6)之后进行迭代运行;所述的数据管理单元由数据库管理系统完成;所述的数据库管理系统的硬件基础是所述网络服务器的数据库;所述的服务提供单元是由APP和移动应用服务器支持;APP是交互接口;移动应用服务器是所述的网络服务器中为移动APP提供支持的部分;所述的模型迭代单元是指模型自升级系统在非用户控制下完成模型优化和软件自动更新的工作;模型自升级系统在检测到所述网络服务器上的模型版本更新之后,将控制移动端APP的自动更新。6.根据权利要求5所述的一种基于深度模型框架的实时运动在线指导系统,其特征在于所述的运动分析单元由运动检测模型完成;所述的运动检测模型由数据预处理和深度学习建模组成,具体实现如下:5.1数据预处理所述的数据预处理对所述的传感器数据先后进行垂直方向去噪、主成分分析法降维以及一阶惯性滤波,得到的数据用于深度学习建模;5.1.1垂直方向去噪所述的垂直方向去噪即是采用重力传感器在同一时刻的数值对加速度传感器数据进行矫正;其中设运动过程中加速度传感器x,y,z三轴上的数值分别为a,b,c,用向量表示;同一时刻的重力传感器在三轴上的数值为d,e,f,用向量表示;计算两者的内积:α为向量和的夹角最后可得最终结果表达式:5.1.2主成分分析法降维把多指标转化为少数几个综合指标,其中每个主成分都能够反映原始变量的大部分信息,且所含信息互不重复;采用的计算过程如下:输入n维样本集:D=(x(1),x(2),...,x(m))要降维到的维数n',输出降维后的样本集D′,过程如下:1)对所有的样本进行中心化:x(i)=x(i)-1m∑j=1mx(j)x(i)=x(i)-1m∑j=1mx(j)2)计算样本的协方差矩阵XXTXXT;3)对矩阵XXTXXT进行特征值分解;4)取出最大的n'个特征值对应的特征向量(w1,w2,...,wn′)(w1,w2,...,wn′),将所有的特征向量标准化后,组成特征向量矩阵W;5)对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i)z(i)=WTx(i)6)得到输出样本集:D′=...
【专利技术属性】
技术研发人员:吕航,樊谨,刘国攸,陈金华,黄运杰,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。