一种基于微惯性的无器械健身动作质量评估方法技术

本发明专利技术公开了一种基于微惯性的无器械健身动作质量评估方法，可以对人的无器械健身运动进行识别与质量评估。该方法采用状态

【技术实现步骤摘要】
一种基于微惯性的无器械健身动作质量评估方法


[0001]本专利技术属于健身运动领域，特别是涉及一种基于微惯性的无器械健身动作质量评估方法。

技术介绍

[0002]近年来，在国家全民健身政策的推动下，健身理念已经深入人心，人们对健身的需求也越来越旺盛。随着互联网的蓬勃发展，居家、线上健身的方式更是吸引了大部分人加入到健身中来。然而，伴随着健身热潮，不当运动带来的损伤也成了全民关注的焦点。
[0003]缺乏针对身体情况的科学指导的健身活动，容易对身体造成损伤。科学的健身方式一直是人们所追求的。然而，由于当前健身房私人教练贵，部分人群选择居家自主锻炼，存在动作的标准性难以估计的问题。由于用户自主模仿视频动作训练，缺乏专业指导，运动过程中的动作标准性难以判断，严重时会造成永久损伤。
[0004]为了解决以上问题经检索，中国专利公开(公告)号为CN104888444A的专利，提供了一种卡路里消耗和手部姿势识别的智慧手套、方法及系统，能识别用户的健身数据以及卡路里消耗。该专利利用惯性传感器及压力传感器对力量训练动作进行姿态分类，并能在手部姿态发生偏移时及时警告。该手套收集处理的运动数据较为单一，对健身过程的全身姿态不能进行有效的评估，也不能对手部健身过程中实时位置进行评估分析，导致用户对健身动作整体质量的认知程度低。中国专利公开(公告)号为CN106073793B的专利公开了一种基于微惯性传感器的姿态跟踪与识别方法，使用穿戴式微惯性传感器采集人体姿态数据并进行姿态数据处理，跟踪并识别用户的动作和行为，并依据预设标准动作对用户动作的规范程度进行评判并提出相应修正意见。该专利将人的运动过程拆分成若干基础动作，采用模板匹配的方式对人的动作进行分类，对模板库的定义复杂，且模板库中缺少对运动过程中人体各部分的位置信息。在对人动作进行评估时，以时间序列距离度量来评估用户动作的标准性。该方法忽略了健身动作对每个部位的要求，仅衡量标准度而忽略了稳定性，重在整体差异性，忽略了局部关键位置的动作评分。
[0005]当前健身辅助系统在人的健身训练过程中，缺乏合理的整体、局部质量评估手段，缺少对人体运动过程中各部位的实时位置的判断，缺少对徒手健身动作的高效分类方法。因此，针对用户徒手健身训练，开发适用整体动作、顾及局部关键位置的高效动作评估方法，指导人的健身训练是必要的。

技术实现思路

[0006]针对目前健身辅助系统无法对人健身的动作质量进行评估的问题，本专利技术提供一种基于微惯性的无器械健身动作质量评估方法，用以指导非专业人士健康、安全、有效地自主开展健身活动。
[0007]本专利技术提供一种基于微惯性的无器械健身动作质量评估方法，包括：
[0008](1)健身运动信息的采集与处理；
[0009]步骤(1)中，对健身运动的信息的采集与处理，在人身体上布设6轴惯性传感器，一共N个，其中上身N
u
个，下身N
d
个，腰腹1个；
[0010](2)人体健身的状态
‑
动作两步分类模型；
[0011]无器械健身动作的两步分类模型，具体步骤为：
[0012](2.1)利用上身、下身各一个传感器，腰腹一个传感器，共3个6轴微惯性传感器信息对人体运动状态进行粗分类，将运动状态分为五种类型，具体为：上肢运动、下肢运动、腰腹运动、全身运动和非运动状态；
[0013](2.2)结合状态分类的结果，调用步骤(3)所述Elman
‑
Kalman模型，获得每个传感器的坐标轨迹信息，结合全身节点，进行健身运动的细分类，将运动状态具体地分为各类动作：
[0014](2.3)对传感器i，将分类结果、动作坐标以及欧拉角合并，形成一个动作质量评估序列，具体形式为：
[0015][0016]其中，x,y,z为动作过程传感器附着部位的三维坐标，α,β,γ为对应欧拉角序列，C1为状态分类结果，取值为1～5，分别对应5种运动状态，C2为动作分类结果，取值为1～m，分别对应每个运动状态下的m种动作，该值将在动作分类步骤结束后更新；
[0017](3)人体运动的Elman
‑
Kalman轨迹估计模型；
[0018]Elman
‑
Kalman轨迹估计模型，具体步骤为：
[0019](3.1)针对所述步骤(2)中粗分类结果的前四种运动状态，对每个传感器建立4个对应的运动的轨迹估计模型；
[0020](3.2)Elman
‑
Kalman轨迹估计模型结构具体为，在Elman神经网络的隐藏层中，增加对未来数据的估计，并在输出层构建扩展Kalman滤波器来优化坐标结果；
[0021]在隐藏层中，增加单步数据输入向量x
p
(k)＝f(w1u(k)+w2x
c
(k+1)+b1)，此时，隐藏层的输出单位向量为x(k)＝f(w1u(k
‑
1)+w2x
c
(k)+w3x
p
(k)+b1)，式中，w1,w2,w3为权重，u为神经网络的输入向量，x
c
为隐藏层反馈向量，b1为偏差向量，f为sigmoid函数，k为时刻；
[0022]在Elman网络的输出层中增加扩展Kalman滤波器来校准原输出在Elman网络的输出层中增加扩展Kalman滤波器来校准原输出为估计的粗略三维轨迹坐标，设置状态方程为：
[0023]设置观测方程为y(k)＝p(k)+δ
k
，状态方程的雅可比矩阵为上式中，ω
k
为k时刻的角速度，η
k
,δ
k
为高斯白噪声；
[0024](3.3)训练神经网络时采用的输出为三维坐标，由光学动捕系统采集；
[0025](4)全身关键节点的姿态与轨迹坐标信息的分析，评估动作质量；
[0026]动作质量评估方法，具体步骤为：
[0027](4.1)对于一个动作序列{1O,2O,...,
N
O}，将之与对应的标准动作序列库的序列{1O
s
,2O
s
,...,
N
O
s
}对比，分析动作质量；
[0028]所述标准动作序列库中的序列，其中一个传感器i的序列格式为：其中w
1i
,w
2i
评分权重，为人为根据动作类别及传感器部位进行设定；
[0029](4.2)对于
i
O和
i
O
s
，计算对应动作质量的标准度E
i
和稳定度S
i
，具体计算方式如下：，具体计算方式如下：其中std表示标准差；
[0030]此时，对待评估动作，联合全节点的质量评分为{Q,q1,q2,...,q
N
}，总分为其中q
min
，q...

【技术保护点】

【技术特征摘要】
1.一种基于微惯性的无器械健身动作质量评估方法，其特征在于，包括：(1)健身运动信息的采集与处理；步骤(1)中，对健身运动的信息的采集与处理，在人身体上布设6轴惯性传感器，一共N个，其中上身N
u
个，下身N
d
个，腰腹1个；(2)人体健身的状态
‑
动作两步分类模型；无器械健身动作的两步分类模型，具体步骤为：(2.1)利用上身、下身各一个传感器，腰腹一个传感器，共3个6轴微惯性传感器采集的加速度角速度以及解算的欧拉角信息对人体运动状态进行粗分类，将运动状态分为五种类型，具体为：上肢运动、下肢运动、腰腹运动、全身运动和非运动状态；(2.2)结合状态分类的结果，调用步骤(3)所述Elman
‑
Kalman模型，获得每个传感器的坐标轨迹信息，结合全节点姿态角信息，进行健身运动的细分类，将运动状态具体地分为各类动作：(2.3)对传感器i，将分类结果、动作轨迹坐标以及欧拉角合并，形成一个动作质量评估序列，具体形式为：其中，x,y,z为动作过程传感器附着部位的三维坐标，α,β,γ为对应欧拉角序列，C1为状态分类结果，取值为1～5，分别对应5种运动状态，C2为动作分类结果，取值为1～m，分别对应每个运动状态下的m种动作，该值将在动作分类步骤结束后更新；(3)人体运动的Elman
‑
Kalman轨迹估计模型；Elman
‑
Kalman轨迹估计模型，具体步骤为：(3.1)针对所述步骤(2)中状态分类结果的前四种运动状态，对每个传感器建立4个对应的运动的轨迹估计模型；(3.2)Elman
‑
Kalman轨迹估计模型结构具体为，在Elman神经网络的隐藏层中，增加对未来数据的估计，并在输出层构建扩展Kalman滤波器来优化坐标结果；在隐藏层中，增加单步数据输入向量x
p
(k)＝f(w1u(k)+w2x
c
(k+1)+b1)，此时，隐藏层的输出单位向量为x(k)＝f(w1u(k
‑
1)+w2x
c
(k)+w3x
p
(k)+b1)，式中，w1,w2,w3为权重，u为神经网络的输入向量，x
c
为隐藏层反馈向量，b1为偏差向量，f为sigmoid函数，k为时刻；在Elman网络的输...

【专利技术属性】
技术研发人员：阳媛，杨浩然，王庆，王慧青，况余进，
申请(专利权)人：东南大学，
类型：发明
国别省市：