【技术实现步骤摘要】
本专利技术涉及机器学习，具体涉及非接触式动静态动作训练辅助方法、装置、设备及存储介质。
技术介绍
1、动作训练是常见的身体训练方法，旨在增强肌肉的力量、耐力和爆发力。动态动作训练主要包括使用外部负荷(如哑铃、杠铃等)进行重量训练，通过执行各种运动动作来激活和锻炼肌肉。静态动作训练则主要通过保持姿势或持续性的肌肉收缩来增强肌肉力量，然而传统的动作训练方法往往缺乏实时反馈机制，这是因为时间和经济成本等限制，并非每个训练者都能够得到专业的指导和监督，训练者无法即时了解自己的训练效果和动作的正确性，难以调整姿势和技巧，进而容易导致错误的训练姿势和技巧的持续使用，增加受伤的风险，无法保证训练者的安全。
技术实现思路
1、有鉴于此，本专利技术提供了一种非接触式动静态动作训练辅助方法，以解决动作训练者训练过程中训练动作的正确性、安全性较低的问题。
2、第一方面，本专利技术提供了一种非接触式动静态动作训练辅助方法，方法包括：基于历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型；实时获取训练者根据预设动作进行训练的动作图像数据，所述图像数据通过设置于距离训练者预设范围的图像采集设备得到；根据所述动作图像数据通过预设识别算法得到训练者的人体关节点数据，同时基于所述动静态关节点推理模型得到动静态特征数据；将所述动静态特征数据和所述人体关节点数据进行数据处理及融合计算，得到实时动作指标数据；将所述实时动作指标数据与所述预设动作对应的预设动作指标数据进行比对，并根据比对
3、本专利技术实施例通过历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型，实时采集图像数据利用计算机视觉技术对训练者动作训练对应的动作分析得到实时动作指标，并根据实时动作指标与预设动作指标进行比对后进行辅助引导。结合了图像处理、深度学习、数据融合技术，实现对训练者动作训练过程的实时监测和辅助引导，从而能够帮助训练者更好地进行动作训练，进而提高训练效率和安全性。
4、在一种可选的实施方式中，所述基于历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型，包括：对多个历史动作训练对应的动作图像数据进行数据提取，得到动态关节点数据以及静态关节点数据；对所述动态关节点数据以及静态关节点数据进行数据标定，得到训练集；基于所述训练集结合对预设机器学习分类任务模型进行训练，建立动静态关节点推理模型。
5、通过将历史动作训练对应的动作图像数据转化为训练集，训练后建立一个动静态关节点推理模型。通过推理模型准确地推断动作训练对应的动作中的关节点位置和动静态特征数据，提高动作训练对应的动作的识别准确率，也为后续的数据处理和融合计算提供可靠的实现基础。
6、在一种可选的实施方式中，所述基于所述训练集结合对预设机器学习分类任务模型进行训练，建立动静态关节点推理模型，包括：对所述训练集进行特征工程处理；将特征工程处理后的训练集输入预设深度学习模型中对其进行训练；通过预设测试集对所述预设深度学习模型进行性能评估，将达到预设性能评估标准的模型作为动静态关节点推理模型。
7、通过对训练集进行特征工程处理，可以提取有效的特征，突出关键特征，优化输入的数据，提高训练数据的精确性以及模型的学习能力，对模型性能进行评估，保证训练出的推理模型具有较高的准确度。
8、在一种可选的实施方式中，所述根据所述动作图像数据通过预设识别算法得到训练者的人体关节点数据，同时基于所述动静态关节点推理模型得到动静态特征数据，包括：对动作图像数据进行降噪处理，得到处理后的图像数据；利用预设识别算法对所述处理后的图像数据进行人体检测定位，得到训练者的人体关节点数据；通过所述动静态关节点推理模型推理，得到动态关节点特征数据以及静态关节点特征数据。
9、通过对动作图像数据进行降噪处理，提高图像数据的质量，减少图像中噪声的干扰，利用预设识别算法对处理后的图像数据进行人体检测和定位，可以准确地找到图像中的人体位置和姿态，通过模型推理得到动态、静态特征数据，从而更加全面的表征训练动作的各个方面，为后续结合推理模型进行数据处理和融合计算提供了基础。
10、在一种可选的实施方式中，所述将所述动静态特征数据和所述人体关节点数据进行数据处理及融合计算，得到实时动作指标数据，包括：通过对所述人体关节点数据、动态关节点特征数据以及静态关节点特征数据进行数据处理及融合计算，得到实时动作指标数据。
11、通过对人体关节点数据、动态关节点特征数据以及静态关节点特征数据进行数据处理和融合计算，可以得到实时动作指标数据，从而量化评估训练者在执行动作训练对应的动作时的表现和效果，与预设动作指标进行比对，为训练者提供评估基础。
12、在一种可选的实施方式中，所述将所述实时动作指标数据与所述预设动作对应的预设动作指标数据进行比对，并根据比对结果对训练者的动作训练对应的动作利用显示设备进行辅助引导提示，包括：将所述实时动作指标数据与预设动作指标数据进行比对；若比对结果为相同，则对训练者进行正确语音提示；若比对结果为不同，则根据实时动作指标数据确定训练者的错误动作信息，通过所述错误动作信息对训练者进行错误语音提示利用显示设备进行纠正反馈提示。
13、通过将实时动作指标数据与预设动作指标数据进行比对，并根据比对结果对训练者进行动作训练对应的动作的辅助引导提示。通过正确语音提示加强训练者的自信心和动作的执行准确度，通过错误动作信息进行错误语音提示和并利用显示屏将纠正反馈提示进行显示，帮助训练者意识到错误，进而能够提升训练者动作的准确度和效果。
14、在一种可选的实施方式中，所述将所述实时动作指标数据与所述预设动作对应的预设动作指标数据进行比对，并根据比对结果对训练者的动作训练对应的动作利用显示设备进行辅助引导提示之后，还包括：持续监控和记录训练者训练过程中的训练数据；根据所述训练数据生成训练报告。
15、通过持续监控和记录训练者在训练过程中的训练数据可以提供全面的训练过程信息，生成训练报告，可以综合分析训练者的动作表现情况。为训练者提供针对训练者本人的个性化的报告，方便后续训练计划的指定，进而实现更有效的动作训练。
16、第二方面，本专利技术提供了一种非接触式动静态动作训练辅助装置，所述装置包括：
17、模型建立模块，用于基于历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型；
18、数据采集模块，用于实时获取训练者根据预设动作进行训练的动作图像数据，所述图像数据通过设置于距离训练者预设范围的图像采集设备得到；
19、关节点及特征识别模块，用于据所述动作图像数据通过预设识别算法得到训练者的人体关节点数据，同时基于所述动静态关节点推理模型得到动静态特征数据；
20、融合计算模块，用于将所述动静态特征数据和所述人体关节点数本文档来自技高网...
【技术保护点】
1.一种非接触式动静态动作训练辅助方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述训练集结合对预设机器学习分类任务模型进行训练，建立动静态关节点推理模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述动作图像数据通过预设识别算法得到训练者的人体关节点数据，同时基于所述动静态关节点推理模型得到动静态特征数据，包括：
5.根据权利要求2所述的方法，其特征在于，所述将所述动静态特征数据和所述人体关节点数据进行数据处理及融合计算，得到实时动作指标数据，包括：
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述实时动作指标数据与所述预设动作对应的预设动作指标数据进行比对，并根据比对结果对训练者的动作训练对应的动作利用显示设备进行辅助引导提示，包括：
7.根据权利要求6所述的方法，其特征在于，所述将所述实时动作指标数据与
8.一种非接触式动静态动作训练辅助的装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的非接触式动静态动作训练辅助的方法。
...【技术特征摘要】
1.一种非接触式动静态动作训练辅助方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史动作训练对应的动作图像数据结合预设深度学习模型建立动静态关节点推理模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述训练集结合对预设机器学习分类任务模型进行训练，建立动静态关节点推理模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述动作图像数据通过预设识别算法得到训练者的人体关节点数据，同时基于所述动静态关节点推理模型得到动静态特征数据，包括：
5.根据权利要求2所述的方法，其特征在于，所述将所述动静态特征数据和所述人体关节点数据进行数据处理及融合计算，得到实时动作指标数据，包括：
6.根据权利要求1...
【专利技术属性】
技术研发人员：杨渝平，李杰，李玳，赵杰，张蕾，任爽，刘振龙，刘振华，李浩然，伍妍，曾杉，杨德芳，常海燕，张春宇，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：
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。