一种太极拳康复训练动作识别方法技术

本发明专利技术公开了一种太极拳康复训练动作识别方法，包括以下步骤：S1、采集太极拳运动数据，并对太极拳运动数据打动作标签，构建太极拳运动数据集；S2、对太极拳运动数据集进行数据预处理，得到骨架数据集；S3、对骨架数据集中的每一个完全矩阵，构建时空图；S4、将时空图划分为骨骼流数据和关节流数据，各自分别输入康复动作识别模型，得到太极拳康复动作识别类别；本发明专利技术解决了关节点缺失或自我遮挡导致的运动序列存在间隙，从而导致动作识别准确度较低的问题。低的问题。低的问题。

【技术实现步骤摘要】
一种太极拳康复训练动作识别方法


[0001]本专利技术涉及图像识别
，具体涉及一种太极拳康复训练动作识别方法。

技术介绍

[0002]随着社会老龄化程度的不断加快，慢性病群体规模也愈加庞大，而脑卒中作为我国致死因素第一的典型慢性病，具有极高的发病率与致残率。适当的康复锻炼可以恢复卒中患者的部分运动功能，也是患者康复期的主要治疗手段，但有限的医疗资源难以满足现阶段卒中患者的康复需求，长期住院治疗也会给家庭带来经济负担，因此多数患者需要长期家庭康复训练。但多数患者存在康复依从性较差的问题，已有工作通过智能监控等技术从视频中实时识别患者的康复动作，监测并督促患者的康复过程，从而提高中长期的康复水平。动作捕捉是分析人体关节活动的基础。在运动捕捉中的一个常见问题是由于遮挡或歧义，导致一些标记位置丢失，进而影响后续的识别效果。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种太极拳康复训练动作识别方法解决了关节点缺失或自我遮挡导致的运动序列存在间隙，从而导致动作识别准确度较低的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种太极拳康复训练动作识别方法，包括以下步骤：
[0005]S1、采集太极拳运动数据，并对太极拳运动数据打动作标签，构建太极拳运动数据集；
[0006]S2、对太极拳运动数据集进行数据预处理，得到骨架数据集；
[0007]S3、对骨架数据集中的每一个完全矩阵，构建时空图；
[0008]S4、将时空图划分为骨骼流数据和关节流数据，各自分别输入康复动作识别模型，得到太极拳康复动作识别类别。
[0009]进一步地，步骤S2包括以下分步骤：
[0010]S21、将太极拳运动数据集中每一个运动数据样本表示为矩阵形式，得到矩阵形式的运动数据样本Z∈R
m
×
n
，其中，n为关节数，m为帧数，Z1为第1个运动子序列，Z
K
为第K个运动子序列；
[0011]S22、将每个运动子序列进行标记，构建完全
‑
非完全矩阵样本对{Z
i
；Z
i(0)
}，i＝1，...，K，其中，Z
i
为第i个运动子序列，Z
i(0)
为含有0项的不完全矩阵，0项表示因关节缺失产生的间隙；
[0012]S23、对矩阵形式的运动数据样本Z和不完全矩阵Z
i(0)
分别进行奇异值分解，得到公共特征空间U和单独特征空间U
i(0)
；
[0013]S24、根据公共特征空间U和单独特征空间U
i(0)
，计算转换矩阵F；
[0014]S25、通过转换矩阵F对缺失动作捕捉数据进行重构恢复，填补采集过程中存在的关节遮挡和缺失，得到完全矩阵Y
*
；
[0015]S26、将所有完全矩阵Y
*
构建为骨架数据集。
[0016]上述进一步方案的有益效果为：通过转换矩阵对缺失动作捕捉数据进行重构恢复，填补采集过程中存在的关节遮挡和缺失，构建骨架数据集，
[0017]进一步地，步骤S23中对矩阵形式的运动数据样本Z和不完全矩阵Z
i(0)
分别进行奇异值分解的公式为：
[0018][0019]其中，T表示转置，∑为对角矩阵，∑为ZZ
T
的特征值的平方根；∑
i
为m
×
n的矩阵，其除主对角线上的元素以外全为0，主对角线上的每个元素都为奇异值。
[0020]进一步地，步骤S24中计算转换矩阵F的公式为：
[0021][0022]其中，Z
i
为第i个运动子序列，F为r
×
r的转换矩阵，r为公共特征空间U的秩。
[0023]上述进一步方案的有益效果为：转换矩阵同时横跨了公共特征空间和单独特征空间，可以更好的对于不完全矩阵进行恢复。
[0024]进一步地，步骤S25中得到完全矩阵Y
*
的公式为：
[0025]Y
*
＝YU
Y(0)
FU
T
[0026]其中，U
Y(0)
为包含不完全矩阵Y中的r个特征向量，不完全矩阵Y为一个存在多间隙分布的新运动数据样本的矩阵形式。
[0027]上述进一步方案的有益效果为：通过该步骤恢复的完全矩阵Y
*
，填充了由于关节缺失和遮挡导致的数据质量问题，得到了更符合太极拳运动规律的运动序列矩阵表示形式。
[0028]进一步地，步骤S3包括以下分步骤：
[0029]S31、将骨架数据集中每一个完全矩阵中的相邻帧节点之间边的连线表示为骨骼关节点的时序关系；
[0030]S32、在每一个完全矩阵的每一帧数据中，按照人体的自然骨架连接关系，构建空间图；
[0031]S33、将空间图结合骨骼关节点的时序关系，得到时空图。
[0032]进一步地，康复动作识别模型包括依次连接的第一BN层、第一自适应图卷积块、第二自适应图卷积块、第三自适应图卷积块、第四自适应图卷积块、第五自适应图卷积块、第六自适应图卷积块、第七自适应图卷积块、第八自适应图卷积块、第九自适应图卷积块、全局平均池化层、全连接层和分类层softmax。
[0033]进一步地，第一自适应图卷积块、第二自适应图卷积块、第三自适应图卷积块、第四自适应图卷积块、第五自适应图卷积块、第六自适应图卷积块、第七自适应图卷积块、第
八自适应图卷积块和第九自适应图卷积块均包括依次连接的空间卷积层、第二BN层、第一激活层、Dropout层、时间卷积层、第三BN层和第二激活层；所述空间卷积层的输入端还与第二激活层的输出端连接，构成残差连接。
[0034]进一步地，第一自适应图卷积块、第二自适应图卷积块、第三自适应图卷积块、第四自适应图卷积块、第五自适应图卷积块、第六自适应图卷积块、第七自适应图卷积块、第八自适应图卷积块和第九自适应图卷积块的输入输出关系的通式为：
[0035][0036][0037][0038][0039]其中，f
in
为输入自适应图卷积块的向量，f
out
为输出自适应图卷积块的向量，K
v
为空间维度核的大小，A
k
为邻接矩阵，用于表示关节点之间的连接关系，两个关节点v
i
和v
j
连接，为1，两个关节点v
i
和v
j
不连接，为0，B
k
为表示关节点连接强弱的矩阵，用于表示关节点间连接强弱，值越小代表关节连接越弱，值越大代表关节连接越强，C
k
为相似矩阵，其中的元素用于表示两个关节点v
i
和v
j
间的相似程度，W
k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种太极拳康复训练动作识别方法，其特征在于，包括以下步骤：S1、采集太极拳运动数据，并对太极拳运动数据打动作标签，构建太极拳运动数据集；S2、对太极拳运动数据集进行数据预处理，得到骨架数据集；S3、对骨架数据集中的每一个完全矩阵，构建时空图；S4、将时空图划分为骨骼流数据和关节流数据，各自分别输入康复动作识别模型，得到太极拳康复动作识别类别。2.根据权利要求1所述的太极拳康复训练动作识别方法，其特征在于，所述步骤S2包括以下分步骤：S21、将太极拳运动数据集中每一个运动数据样本表示为矩阵形式，得到矩阵形式的运动数据样本Z∈R
m
×
n
，其中，n为关节数，m为帧数，Z1为第1个运动子序列，Z
K
为第K个运动子序列；S22、将每个运动子序列进行标记，构建完全
‑
非完全矩阵样本对{Z
i
；Z
i(0)
}，i＝1,
…
,K，其中，Z
i
为第i个运动子序列，Z
i(0)
为含有0项的不完全矩阵，0项表示因关节缺失产生的间隙；S23、对矩阵形式的运动数据样本Z和不完全矩阵Z
i(0)
分别进行奇异值分解，得到公共特征空间U和单独特征空间U
i(0)
；S24、根据公共特征空间U和单独特征空间U
i(0)
，计算转换矩阵F；S25、通过转换矩阵F对缺失动作捕捉数据进行重构恢复，填补采集过程中存在的关节遮挡和缺失，得到完全矩阵Y
*
；S26、将所有完全矩阵Y
*
构建为骨架数据集。3.根据权利要求2所述的太极拳康复训练动作识别方法，其特征在于，所述步骤S23中对矩阵形式的运动数据样本Z和不完全矩阵Z
i(0)
分别进行奇异值分解的公式为：其中，T表示转置，Σ为对角矩阵，Σ为ZZ
T
的特征值的平方根；Σ
i
为m
×
n的矩阵，其除主对角线上的元素以外全为0，主对角线上的每个元素都为奇异值。4.根据权利要求2所述的太极拳康复训练动作识别方法，其特征在于，所述步骤S24中计算转换矩阵F的公式为：其中，Z
i
为第i个运动子序列，F为r
×
r的转换矩阵，r为公共特征空间U的秩。5.根据权利要求2所述的太极拳康复训练动作识别方法，其特征在于，所述步骤S25中得到完全矩阵Y
*
的公式为：Y
*
＝YU
Y(0)
FU
T
其中，U
Y(0)
为包含不完全矩阵Y中的r个特征向量，不完全矩阵Y为一个存在多间隙分布
的新运动数据样本的矩阵形式。6.根据权利要求5所述的太极拳康复训练动作识别方法，其特征在于，所述步骤S3包括以下分步骤：S31、将骨架数据集中每一个完全矩阵中的相邻帧节点之间边的连线表示为骨骼关节点的时序关系；S32、在每一个完全矩阵的每一帧数据中，按照人体的自然骨架连接关系，构建空间图；S33、将空间图结合骨骼关节点的时序关系，得到时空图。7.根据权利要求1所述的太极拳康复训练动作识别方法，其特征在于，所述康复动作识别模型包括依次连接的第一BN层、第一自适应图卷积块、第二自适应图卷积块、第三自适应图卷积块、第四自适应图...

【专利技术属性】
技术研发人员：戴志豪，李巧勤，刘勇国，张云，朱嘉静，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：