JHEgydF4y2Ba 医疗保健工程gydF4y2Ba 2040 - 2309gydF4y2Ba 2040 - 2295gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/7892902gydF4y2Ba 7892902gydF4y2Ba 研究文章gydF4y2Ba 识别的羽毛球拍行动基于改进的隐马尔科夫模型gydF4y2Ba 马gydF4y2Ba 曹国伟gydF4y2Ba 1gydF4y2Ba 余gydF4y2Ba 大杨gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 3578 - 8585gydF4y2Ba 冯gydF4y2Ba 郝gydF4y2Ba 3gydF4y2Ba 汗gydF4y2Ba 拉毛gydF4y2Ba 1gydF4y2Ba 秦皇岛校区gydF4y2Ba 东北石油大学gydF4y2Ba 163000年大庆gydF4y2Ba 黑龙江gydF4y2Ba 中国gydF4y2Ba dqpi.edu.cngydF4y2Ba 2gydF4y2Ba 体育教育系gydF4y2Ba 淄博职业学院gydF4y2Ba 淄博255000gydF4y2Ba 山东gydF4y2Ba 中国gydF4y2Ba zbvc.edu.cngydF4y2Ba 3gydF4y2Ba 警察体育教育部门gydF4y2Ba 河北监狱警察职业学院gydF4y2Ba 石家庄050081gydF4y2Ba 河北gydF4y2Ba 中国gydF4y2Ba 2021年gydF4y2Ba 7gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 14gydF4y2Ba 5gydF4y2Ba 2021年gydF4y2Ba 5gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 7gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021超马等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

近年来,随着体育的快速发展,玩各种运动的人数正在增加。其中,羽毛球已经成为最受欢迎的运动之一,因为更少的限制的优点,易于学习。本文发展一个可穿戴的体育活动为正确认识羽毛球的行为分类系统。一个加速度传感器固定在羽毛球拍的最后处理用于收集数据的羽毛球行动。使用滑动窗口分割技术提取信号。一种改进的隐马尔科夫模型(HMM)开发识别标准10羽毛球中风。这些包括服务,正手削球,反手砍目标,正手和反手,正手,反手推球,正手拿,拿球反手和正手。实验结果表明,该模型设计可以识别实时十标准中风。相比与传统的嗯,改进的HMM的平均识别率提高了7.3%。最后一个中风的全面的识别率可以达到95%。 Therefore, this model can be used to improve the competitive level of badminton players.

 1。介绍gydF4y2Ba

奥运会羽毛球是一个学科,它是全球最受欢迎的球拍运动之一。人工智能的快速发展,性能分析在体育近年来经历了根本性的变化gydF4y2Ba 1gydF4y2Ba]。一般来说,手动分析由训练有素的运动科学专家有一些缺陷,如费时,耗时,主观的。分析体育赛事对理解至关重要的物理和技术要求与体育相关的性能。体育动作识别系统开发进行分析在体育科学,提供客观的测量,和提高运动性能的效率和准确性gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。一般来说,体育动作识别系统开发使用机器和深度学习的方法和一个惯性和磁传感器测量的数据或通过计算机视觉技术gydF4y2Ba 4gydF4y2Ba]。gydF4y2Ba

体育行为被摄像机记录下来可以适用于运动员的姿势估计和运动分析(gydF4y2Ba 5gydF4y2Ba]。电脑的活动识别系统的建立过程,主要依赖于运动和相机类型,包括球员跟踪、目标运动识别,和时间裁剪(gydF4y2Ba 6gydF4y2Ba]。这种方法可以提供快速分析和实时反馈的教练和运动员。然而,计算机应用动作识别系统局限于特定的环境和需要更多的计算能力。体育动作识别的另一个方法是使用惯性传感器的数据收集。可穿戴传感器,由陀螺仪、加速度计,磁力计(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba]。可穿戴设备使用嵌入式惯性传感器通常用于各种应用程序,如步态分析、活动识别医疗、疾病监测、和导航gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

最近,一些研究人员已经开发出可穿戴体育活动识别和监测系统,足球,羽毛球,网球,棒球,高尔夫球,篮球,乒乓球,排球等。gydF4y2Ba 10gydF4y2Ba]。可穿戴的惯性传感器可以测量线性和角加速度产生的手势和动作在运动训练和竞赛gydF4y2Ba 11gydF4y2Ba]。可穿戴的惯性传感器活动识别系统的好处是成本低、轻量级,小型,要求最低的权力操作。一般来说,体育动作识别过程包括滤波等信号处理程序的原始信号,信号窗口,标准化,突出的特征提取,特征减少/选择,和分类的行为(gydF4y2Ba 12gydF4y2Ba]。例如,马加里托等。gydF4y2Ba 13gydF4y2Ba从13]提取11加速度特性最常见的时间——使用减压方法和频域特性。eight-action分类,他们用朴素贝叶斯(NB),逻辑回归(LR),决策树(DT)和人工神经网络(ANN)分类器。这些活动包括交叉训练,骑自行车,划船,蹲,步进,跑步,举重,步行。两位et al。gydF4y2Ba 14gydF4y2Ba)结合安的DT分类器分类活动,比如坐着,躺着,站着,散步,划船,划船机,跑步,和骑自行车健身自行车。一个北欧走、踢足球和骑自行车与普通自行车使用七次,频域特性提取加速度计和GPS传感器信号。米切尔et al。gydF4y2Ba 15gydF4y2Ba]使用智能手机加速计和采用离散小波变换(DWT)基于支持向量机(svm)优化的最小顺序优化(SMO)算法识别的七个体育活动。王等人。gydF4y2Ba 16gydF4y2Ba]使用陀螺仪和加速度计信号结合之后,主成分分析(PCA)获得十二三个特征的统计特性和三个形态学特征。这些都是输入支持向量机(SVM)分类器分类精英,subelite,业余排球运动员。gydF4y2Ba

我们的文献综述表明,许多机器学习的研究人员关注inertial-sensing-based体育活动分类。一个可穿戴的羽毛球活动识别系统开发使用隐马尔科夫模型(HMM)。本文的主要贡献如下:gydF4y2Ba

提出了一种体育羽毛球击球动作和行动识别算法实现了一个实时对羽毛球的行为识别系统。gydF4y2Ba

系统使用一个加速度传感器固定在羽毛球拍的最后处理收集行动数据。它使用滑动窗口数据分割技术提取信号。gydF4y2Ba

提出了一种改进的HMM训练模型来识别10标准羽毛球球,取得了95%的识别精度最高。gydF4y2Ba

剩下的纸是组织如下:部分gydF4y2Ba 2gydF4y2Ba提供了背景和相关工作。提出的改进的HMM中解释部分gydF4y2Ba 3gydF4y2Ba。结果说明部分gydF4y2Ba 4gydF4y2Ba。结论部分给出gydF4y2Ba 5gydF4y2Ba。最后,限制和未来的工作gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。背景gydF4y2Ba 2.1。羽毛球空气动力学模型gydF4y2Ba

羽毛球可以被看作是一个四维空间。当羽毛球球拍和苍蝇在空中,我们需要考虑的大小和高度等羽毛球和外部因素的大小和高度羽毛球法院。我们还必须考虑时间向量,使得技术玩,玩的速度,和人类运动的能力gydF4y2Ba 17gydF4y2Ba]。由于体积小和轻的羽毛球,它很容易受到各种外部因素在空中飞。例如,假设风的速度大于一定程度。在这种情况下,它将严重影响其性能在风的作用下。此外,即使羽毛球是小而轻,这将是受地球引力的影响。羽毛球也会影响空军飞行期间,也将影响其旋转。美国空军也被称为空气阻力。它比重力要复杂得多,它会改变空气粘度等因素造成的。此外,羽毛球将收到一个侧向力正交方向在飞行速度,导致羽毛球旋转在飞行。在这个力的作用下,羽毛球的轨迹将偏离一个弧形的轨迹。 It is the Magnus effect in fluid mechanics [ 18gydF4y2Ba]。数据gydF4y2Ba 1(一)gydF4y2Ba- - - - - -gydF4y2Ba 1 (c)gydF4y2Ba显示正面阻力、空气摩擦和涡流阻力的羽毛球。gydF4y2Ba

羽毛球动态在飞行:(a)的正面阻力羽毛球、羽毛球(b)空气摩擦,和(c)涡流阻力羽毛球。gydF4y2Ba

空军在羽毛球上可以分为三个组件在不同的方向。他们是不同的抗性gydF4y2Ba XgydF4y2Ba 羽毛球的飞行期间,电梯gydF4y2Ba YgydF4y2Ba 防止毽子垂直下降由于重力的影响,和离职的毽子从原来的位置,侧向力gydF4y2Ba ZgydF4y2Ba 的飞行路径。从数据可以知道毽子收到的美国空军飞行中不仅与面积成正比gydF4y2Ba 年代gydF4y2Ba 羽毛球也与压力成正比gydF4y2Ba 问gydF4y2Ba 气流在空气中,这样的关系方程可以得到如下:gydF4y2Ba (1)gydF4y2Ba XgydF4y2Ba =gydF4y2Ba BgydF4y2Ba xgydF4y2Ba 年代gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba =gydF4y2Ba BgydF4y2Ba ygydF4y2Ba 年代gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba ZgydF4y2Ba =gydF4y2Ba BgydF4y2Ba zgydF4y2Ba 年代gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba BgydF4y2Ba xgydF4y2Ba 是各种抗性的阻力系数获得羽毛球的飞行期间,gydF4y2Ba BgydF4y2Ba ygydF4y2Ba 是阻止毽子的升力系数下降的重力,然后呢gydF4y2Ba BgydF4y2Ba zgydF4y2Ba 是导致羽毛球的横向力系数偏离原来的飞行路径。gydF4y2Ba 年代gydF4y2Ba 代表了羽毛球和空气之间的接触面积。一般来说,最重要的横截面的面积羽毛球作为羽毛球和空气之间的接触面积。因此,考虑到羽毛球气动模型将有助于改善羽毛球击球动作识别的准确性。gydF4y2Ba

 2.2。击球动作提取gydF4y2Ba

加速度传感器收集运动员的加速度数据时,它通常会持续几分钟甚至几十分钟,包括许多打击行动,形成一个长部分数据组成的许多离散的点。因此,它是必要的分割和提取每个运动员的击球动作促进随后的分类和识别gydF4y2Ba 19gydF4y2Ba]。窗口分割技术主要用于提取打击行动。窗口分割是用来对数据进行分段的羽毛球员多次打击获得多个窗口相同或不同的宽度。每个窗口对应于球员的击球动作。窗口分割技术主要包括滑动窗口分割和事件窗口分割(gydF4y2Ba 19gydF4y2Ba]。在拟议的工作中,滑动窗口技术应用。gydF4y2Ba

基于滑动窗口的数据分割技术将采样信号分成几个相等长度的窗户。两个相邻的窗户可能重叠或不互相重叠。本文以玩家的正手,推动在连续几次对抗为例,研究滑动窗口分割技术gydF4y2Ba 20.gydF4y2Ba]。沿着时间轴滑动窗口移动通过一个窗口的固定宽度和提取击球动作,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

窗口分割技术。gydF4y2Ba

考虑到数据采样频率为200赫兹和羽毛球击球动作一般不超过0.5秒,窗口的宽度设置为100样本提取打击行动。净结合加速度的计算公式如下:gydF4y2Ba (2)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 一个gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 一个gydF4y2Ba zgydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 参数gydF4y2Ba 马克斯gydF4y2Ba 米gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba zgydF4y2Ba 三轴加速度信号吗gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 所以,总是现有重力加速度分量吗gydF4y2Ba 一个gydF4y2Ba 是代表纯粹的人类行为的净加速度,加速度的单位是什么gydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

 3所示。方法gydF4y2Ba 3.1。隐马尔可夫模型(HMM)gydF4y2Ba

嗯是一个关于时间序列的概率模型,它描述了生成一个随机的一系列nonobservable状态从一个隐藏的马尔可夫链和从每个状态生成一个随机生成一个观察观察系列。图gydF4y2Ba 3gydF4y2Ba显示了拟议的嗯的原理图(gydF4y2Ba 21gydF4y2Ba]。gydF4y2Ba

隐马尔科夫模型的示意图。gydF4y2Ba

隐马尔科夫模型是由初始概率分布gydF4y2Ba πgydF4y2Ba ,状态概率分布gydF4y2Ba 一个gydF4y2Ba ,他的观察概率分布gydF4y2Ba BgydF4y2Ba 。它是定义如下:让gydF4y2Ba 问gydF4y2Ba 是所有可能状态的集合gydF4y2Ba VgydF4y2Ba 所有可能的观测;然后,gydF4y2Ba (3)gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba VgydF4y2Ba =gydF4y2Ba vgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba NgydF4y2Ba 可能状态的数量和吗gydF4y2Ba 米gydF4y2Ba 的数量是可能的观测。gydF4y2Ba 我gydF4y2Ba 状态序列的长度吗gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba OgydF4y2Ba 是相应的观测序列;然后,gydF4y2Ba (4)gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba VgydF4y2Ba =gydF4y2Ba vgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba 一个gydF4y2Ba 状态转移概率矩阵:gydF4y2Ba (5)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba BgydF4y2Ba 观测概率矩阵:gydF4y2Ba (6)gydF4y2Ba BgydF4y2Ba =gydF4y2Ba bgydF4y2Ba jgydF4y2Ba kgydF4y2Ba NgydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba πgydF4y2Ba 初始状态概率向量:gydF4y2Ba (7)gydF4y2Ba πgydF4y2Ba =gydF4y2Ba πgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

因此,嗯gydF4y2Ba λgydF4y2Ba 可以表示由以下方程:gydF4y2Ba (8)gydF4y2Ba λgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba πgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba πgydF4y2Ba 被称为隐马尔可夫模型的三要素。gydF4y2Ba

 3.2。基于改进的HMM羽毛球动作识别gydF4y2Ba

因为羽毛球行动的时间序列,它可以被建模的嗯,这是一个关于时间序列的概率模型。嗯建模主要取决于三个参数:初始概率,转移概率,概率和观察。对于每个中风,我们建立一套摘要适用于中风。每个中风分为行动gydF4y2Ba NgydF4y2Bameta-actions时间序列。相对应的码书每个meta-action决定通过矢量量化,这是定义的观察组嗯(gydF4y2Ba 16gydF4y2Ba]。gydF4y2Ba

羽毛球动作的识别过程是当前打击行动的观察序列中提取的预处理算法(gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba)用于建立输入每个嗯的打击行动。的概率最优状态序列的当前打击行动获得每个模型利用维特比算法。维特比算法是一个动态算法获得的最大后验概率估计最可能的隐藏的维特比路径的序列,结果在一个观察序列事件,特别是隐马尔可夫模型(摘要)。击球动作对应概率模型与最大输出电流的识别结果的观察序列。gydF4y2Ba

因为多个数据集的目的相同的打击行动的样本和样本训练HMM参数模型是基于单个样品,模型数据可能会陷入局部最优。相比之下,其他样本的识别率很低(gydF4y2Ba 18gydF4y2Ba]。为多个培训(gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba),本文提出了两个方案。一个是意味着训练方法于一体的数据层模型的输入,即样品的观察序列,进行模型训练后多个组训练数据的平均值在同样的模型。其次,频率加权重量训练方法用于线性模型中样本观测序列的频率和设置的顺序gydF4y2Ba 米gydF4y2Ba 观察值gydF4y2Ba OgydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba 的发生频率吗gydF4y2Ba 米gydF4y2Ba thgydF4y2Ba观察序列。然后,改进后的计算公式如下:gydF4y2Ba (9)gydF4y2Ba πgydF4y2Ba ¯gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba PgydF4y2Ba OgydF4y2Ba 米gydF4y2Ba |gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba ¯gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba bgydF4y2Ba jgydF4y2Ba OgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba βgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 米gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba βgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ¯gydF4y2Ba jgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba βgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ,gydF4y2Ba vgydF4y2Ba kgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba PgydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 米gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba βgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba βgydF4y2Ba tgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba 的转发概率和向后概率吗gydF4y2Ba 米gydF4y2Ba thgydF4y2Ba序列,分别gydF4y2Ba πgydF4y2Ba ¯gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba ¯gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ¯gydF4y2Ba jgydF4y2Ba kgydF4y2Ba 改进的初始、过渡和观察概率参数,分别。gydF4y2Ba

改进的HMM训练和识别流程如图gydF4y2Ba 4gydF4y2Ba,十类的训练样本数据作为100的所有数据,相应的模型是通过改进训练算法,对于任何识别中风,中风观测得到的数据预处理算法序列通过维特比算法。此外,70%的数据被用于训练和测试嗯为30%。最优状态的条件概率的发生在十岁以下击球动作序列模型计算和模型对应的最大条件概率。相对应的击球动作模式识别的结果。gydF4y2Ba

改善嗯羽毛球击球动作识别模型。gydF4y2Ba

 4所示。实验和结果gydF4y2Ba 4.1。实验装置gydF4y2Ba

本系统采用MATLAB 2020开发环境和IntelliJ IDEA 2018 (JDK 1.8),上面的电脑操作系统是Win10,蓝牙4.0用于数据传输。系统的硬件平台主要由基础加速度传感器。三个六个传感器是每个球员所穿的。一个是球拍柄的结束,和其他两个戴在球员的脚踝。玩家的撞击信号数据(gydF4y2Ba 26gydF4y2Ba)收集的传感器固定在羽毛球拍的最后处理用于特征提取的打击行动。玩家的运行信号收集的数据使用传感器固定在脚踝的恢复和训练速度控制。gydF4y2Ba

 4.2。特征提取的羽毛球打击行动gydF4y2Ba

羽毛球击球动作包含许多重要的特征,如爆发力、冲击速度和冲击动能。因此,本文比较羽毛球运动员的重要特征与三种不同技术水平定量分析一个羽毛球动作。一个案例研究,包括三种不同的技术水平的球员信息,在表中gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

玩家信息的三种不同的技能水平。gydF4y2Ba

球员类别gydF4y2Ba 球员的描述gydF4y2Ba 的玩家数量gydF4y2Ba
职业运动员gydF4y2Ba 第二和第三级体育教育学院的羽毛球运动员gydF4y2Ba 5gydF4y2Ba
业余gydF4y2Ba 羽毛球协会的成员gydF4y2Ba 5gydF4y2Ba
新手gydF4y2Ba 实验室的同学们很少打羽毛球gydF4y2Ba 5gydF4y2Ba

作为主要得分点羽毛球的击球动作,高球在羽毛球比赛中起着决定性的作用。击球速度,反应速度,玩家的瞬间爆发力,期间产生的冲击动能打击的启动和停止都是重要的技术指标来衡量高量程镜头的质量特征。gydF4y2Ba

 4.3。实验结果gydF4y2Ba 4.3.1。识别的性能提出了嗯gydF4y2Ba

识别的准确性提出了嗯是使用混淆矩阵计算。我们使用数字1到10代表10个不同的羽毛球,服务,摩擦正手和反手在你可以学习的技能。图gydF4y2Ba 5gydF4y2Ba显示的混淆矩阵本文实验结果。gydF4y2Ba

混淆矩阵的羽毛球拍。gydF4y2Ba

从图可以看出gydF4y2Ba 5gydF4y2Ba,提出了改善了嗯取得准确的识别结果的95%在10个不同的球碰撞运动识别任务,这证明了本文模型的有效性。gydF4y2Ba

 4.3.2。与传统的嗯gydF4y2Ba

表gydF4y2Ba 2gydF4y2Ba提供了一个比较传统的HMM和提出改善了嗯。相比与传统的嗯,改进的HMM的平均识别率提高了7.3%。最后中风的总识别率可以达到95%的提议改进了嗯。因此,该模型有助于提高羽毛球运动员的竞技水平。gydF4y2Ba

性能比较与传统的嗯。gydF4y2Ba

分类算法gydF4y2Ba 精度(%)gydF4y2Ba
传统的嗯gydF4y2Ba 87.7gydF4y2Ba
改善了嗯gydF4y2Ba 95年gydF4y2Ba
4.3.3。窗口长度对识别性能的影响gydF4y2Ba

羽毛球动作识别、快速响应时间对实时应用程序的需要。在第三个研究中,nonoverlapped窗口分割方案应用于加速度信号之前调查窗口大小对模型性能的影响。创建窗口长度明显对分类精度的影响。分类精度往往减少随着窗口大小的增加。总体分类精度从95%下降到90%,当分析窗口长度从100增加到300样品,样品如表所示gydF4y2Ba 3gydF4y2Ba。这是观察到一个更小的窗口在羽毛球动作识别提供相对较高的分类精度。gydF4y2Ba

不同的窗口大小的性能。gydF4y2Ba

分类算法gydF4y2Ba 窗口大小(样本)gydF4y2Ba 精度(%)gydF4y2Ba
嗯gydF4y2Ba One hundred.gydF4y2Ba 95年gydF4y2Ba
150年gydF4y2Ba 93年gydF4y2Ba
200年gydF4y2Ba 90年gydF4y2Ba
4.3.4。不同的分类算法的性能比较gydF4y2Ba

为了进一步证明该模型的优越性,我们也与SVM和BP网络进行了比较实验。比较实验结果如图所示gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

比较不同方法的结果。gydF4y2Ba

可以看出本文模型有更高的识别率(超过90%)比另两种方法(少于80%)。因此,本文采用改进的HMM方法识别中风十个不同的羽毛球运动。相同的平均识别率球员可以达到95%,这证明了本文算法的优越性。gydF4y2Ba

 5。结论gydF4y2Ba

本文提出了一个羽毛球击球动作识别算法。系统使用一个加速度传感器固定在结束的羽毛球拍羽毛球运动的处理收集数据。滑动窗口数据分割技术应用于提取信号。一种改进的隐马尔科夫模型确定十个常见的羽毛球,服务、摩擦正手和反手的你可以学习的技能。实验表明,该算法可以识别实时十个常见的镜头。改进的HMM的平均识别率是7.3%高于传统的摘要。照片的最终全面的识别率可以达到95%。该模型可用于提高羽毛球运动员的竞技水平。gydF4y2Ba

 6。局限性和未来的工作gydF4y2Ba

这项工作的主要限制是,只在数据收集过程中,加速度传感器所使用的十五运动员意识到十基本羽毛球拍。我们将计划扩展我们的方法,包括更多的球员和扩展数据集其他体育活动在我们的未来的工作。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的结果包括在本文中。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 Bravo-SnchezgydF4y2Ba 一个。gydF4y2Ba 国家gydF4y2Ba P。gydF4y2Ba JimnezgydF4y2Ba F。gydF4y2Ba Abin-VicengydF4y2Ba J。gydF4y2Ba Myotendinous不对称来自职业球员的长期练习羽毛球gydF4y2Ba 《公共科学图书馆•综合》gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 9gydF4y2Ba e0222190gydF4y2Ba 10.1371 / journal.pone.0222190gydF4y2Ba 2 - s2.0 - 85072048708gydF4y2Ba Rojas-ValverdegydF4y2Ba D。gydF4y2Ba Gomez-CarmonagydF4y2Ba c, D。gydF4y2Ba Fernandez-FernandezgydF4y2Ba J。gydF4y2Ba 加西亚洛佩兹gydF4y2Ba J。gydF4y2Ba Garcia-TormogydF4y2Ba V。gydF4y2Ba Cabello-ManriquegydF4y2Ba D。gydF4y2Ba Pino-OrtegagydF4y2Ba J。gydF4y2Ba 识别在初级国际羽毛球游戏和性有关的活动gydF4y2Ba 国际期刊的运动性能分析gydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 323年gydF4y2Ba 338年gydF4y2Ba 10.1080 / 24748668.2020.1745045gydF4y2Ba ChiminazzogydF4y2Ba j·g·C。gydF4y2Ba BarreiragydF4y2Ba J。gydF4y2Ba 路斯gydF4y2Ba l·s·M。gydF4y2Ba SaraivagydF4y2Ba w . C。gydF4y2Ba CayresgydF4y2Ba j . T。gydF4y2Ba 技术和时机羽毛球男子单的特点:对比组和附加赛阶段2016年里约热内卢奥运会gydF4y2Ba 国际期刊的运动性能分析gydF4y2Ba 2018年gydF4y2Ba 18gydF4y2Ba 2gydF4y2Ba 245年gydF4y2Ba 254年gydF4y2Ba 10.1080 / 24748668.2018.1463785gydF4y2Ba 2 - s2.0 - 85048709085gydF4y2Ba Torres-LuquegydF4y2Ba G。gydF4y2Ba Blanca-TorresgydF4y2Ba j . C。gydF4y2Ba Gimenez-EgidogydF4y2Ba j . M。gydF4y2Ba Cabello-ManriquegydF4y2Ba D。gydF4y2Ba Ortega-TorogydF4y2Ba E。gydF4y2Ba 可靠性设计、验证和观测仪器的技术和战术行动单打羽毛球gydF4y2Ba 心理学领域gydF4y2Ba 2020年gydF4y2Ba 11gydF4y2Ba 10.3389 / fpsyg.2020.582693gydF4y2Ba 邓肯gydF4y2Ba m·J。gydF4y2Ba 中午gydF4y2Ba M。gydF4y2Ba 劳森gydF4y2Ba C。gydF4y2Ba 赫斯特gydF4y2Ba J。gydF4y2Ba 艾尔gydF4y2Ba e . l . J。gydF4y2Ba 的有效性基于小学羽毛球运动干预对儿童的基本技能gydF4y2Ba 体育gydF4y2Ba 2020年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 11gydF4y2Ba 10.3390 / sports8020011gydF4y2Ba 桤木gydF4y2Ba d·B。gydF4y2Ba BroadbentgydF4y2Ba d . P。gydF4y2Ba 代替gydF4y2Ba J。gydF4y2Ba PooltongydF4y2Ba J。gydF4y2Ba 生理负荷的影响预期在羽毛球技能:从测试培训gydF4y2Ba 体育科学杂志》gydF4y2Ba 2019年gydF4y2Ba 37gydF4y2Ba 16gydF4y2Ba 1816年gydF4y2Ba 1823年gydF4y2Ba 10.1080 / 02640414.2019.1596051gydF4y2Ba 2 - s2.0 - 85063683063gydF4y2Ba 阿gydF4y2Ba a . m . N。gydF4y2Ba 苏皮亚达gydF4y2Ba p K。gydF4y2Ba 李gydF4y2Ba j·l·F。gydF4y2Ba 诺丁gydF4y2Ba H。gydF4y2Ba SamsirgydF4y2Ba m . S。gydF4y2Ba 修改设备的影响在发展中在羽毛球技能gydF4y2Ba 马来西亚《运动,健康和运动gydF4y2Ba 2020年gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 10.15282 / mohe.v9i1.394gydF4y2Ba 米勒gydF4y2Ba R。gydF4y2Ba 托勒gydF4y2Ba H。gydF4y2Ba McErlain-NaylorgydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba M。gydF4y2Ba 全身运动之间的关系和羽毛球跳粉碎拍头速度gydF4y2Ba 该校学报档案gydF4y2Ba 2020年gydF4y2Ba 38gydF4y2Ba 1gydF4y2Ba 480年gydF4y2Ba 森gydF4y2Ba 年代。gydF4y2Ba 田中gydF4y2Ba K。gydF4y2Ba NishikawagydF4y2Ba 年代。gydF4y2Ba NiiyamagydF4y2Ba R。gydF4y2Ba KuniyoshigydF4y2Ba Y。gydF4y2Ba 高仿人机器人手臂使用pneumatic-electric羽毛球混合执行机构gydF4y2Ba IEEE机器人与自动化信件gydF4y2Ba 2019年gydF4y2Ba 4gydF4y2Ba 4gydF4y2Ba 3601年gydF4y2Ba 3608年gydF4y2Ba 10.1109 / lra.2019.2928778gydF4y2Ba 2 - s2.0 - 85069947282gydF4y2Ba 沙玛gydF4y2Ba M。gydF4y2Ba 库马尔gydF4y2Ba N。gydF4y2Ba 库马尔gydF4y2Ba P。gydF4y2Ba 羽毛球比赛结果预测模型使用朴素贝叶斯和特征加权技术gydF4y2Ba 环境智能和人性化计算杂志》上gydF4y2Ba 2020年gydF4y2Ba 12gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 15gydF4y2Ba 10.1007 / s12652 - 020 - 02578 - 8gydF4y2Ba RahmadgydF4y2Ba n。gydF4y2Ba 作为'arigydF4y2Ba m·A。gydF4y2Ba 国有企业gydF4y2Ba K。gydF4y2Ba ZulkaprigydF4y2Ba 我。gydF4y2Ba 自动羽毛球粉碎识别使用基于卷积神经网络在视觉上的数据gydF4y2Ba IOP会议系列:材料科学与工程gydF4y2Ba 2020年gydF4y2Ba 884年gydF4y2Ba 1gydF4y2Ba 012009年gydF4y2Ba 10.1088 / 1757 - 899 x / 884/1/012009gydF4y2Ba 天啊!gydF4y2Ba O。gydF4y2Ba 施尼茨勒gydF4y2Ba C。gydF4y2Ba LlenagydF4y2Ba C。gydF4y2Ba PotdevingydF4y2Ba F。gydF4y2Ba 补充主观与客观数据分析专业知识:机器学习方法应用到羽毛球gydF4y2Ba 体育科学杂志》gydF4y2Ba 2020年gydF4y2Ba 38gydF4y2Ba 17gydF4y2Ba 1943年gydF4y2Ba 1952年gydF4y2Ba 10.1080 / 02640414.2020.1764812gydF4y2Ba 马加里托gydF4y2Ba J。gydF4y2Ba HelaouigydF4y2Ba R。gydF4y2Ba 比安奇gydF4y2Ba a . M。gydF4y2Ba 裁缝gydF4y2Ba F。gydF4y2Ba BonomigydF4y2Ba a·G。gydF4y2Ba User-independent承认体育活动从一个戴加速度计:template-matching-based方法gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2016年gydF4y2Ba 63年gydF4y2Ba 4gydF4y2Ba 788年gydF4y2Ba 796年gydF4y2Ba 10.1109 / TBME.2015.2471094gydF4y2Ba 2 - s2.0 - 84963542724gydF4y2Ba 两位gydF4y2Ba M。gydF4y2Ba ParkkagydF4y2Ba J。gydF4y2Ba MantyjarvigydF4y2Ba J。gydF4y2Ba KorhonengydF4y2Ba 我。gydF4y2Ba 检测的日常活动和体育可穿戴传感器控制和控制条件gydF4y2Ba IEEE在生物医学信息技术gydF4y2Ba 2008年gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 20.gydF4y2Ba 26gydF4y2Ba 10.1109 / titb.2007.899496gydF4y2Ba 2 - s2.0 - 39449090035gydF4y2Ba 米切尔gydF4y2Ba E。gydF4y2Ba 莫纳亨gydF4y2Ba D。gydF4y2Ba 奥康纳gydF4y2Ba N。gydF4y2Ba 使用智能手机加速计分类的体育活动gydF4y2Ba 传感器gydF4y2Ba 2013年gydF4y2Ba 13gydF4y2Ba 4gydF4y2Ba 5317年gydF4y2Ba 5337年gydF4y2Ba 10.3390 / s130405317gydF4y2Ba 2 - s2.0 - 84877356284gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba 陈gydF4y2Ba r·h·M。gydF4y2Ba 李gydF4y2Ba w·J。gydF4y2Ba 排球技能评估使用一个可穿戴的微惯性测量单元的手腕gydF4y2Ba IEEE访问gydF4y2Ba 2018年gydF4y2Ba 6gydF4y2Ba 13758年gydF4y2Ba 13765年gydF4y2Ba 10.1109 / access.2018.2792220gydF4y2Ba 2 - s2.0 - 85041223223gydF4y2Ba 戈什gydF4y2Ba 我。gydF4y2Ba 需要gydF4y2Ba s R。gydF4y2Ba 罗伊gydF4y2Ba N。gydF4y2Ba StanceScorer:羽毛球运动员得分的一个数据驱动的方法gydF4y2Ba 2020年IEEE国际会议上普适计算和通信车间(PerCom研讨会)gydF4y2Ba 2020年3月gydF4y2Ba 美国奥斯汀,得克萨斯州gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 10.1109 / percomworkshops48775.2020.9156220gydF4y2Ba RusydigydF4y2Ba m . I。gydF4y2Ba 佐佐木gydF4y2Ba M。gydF4y2Ba SuciptogydF4y2Ba m . H。gydF4y2Ba ZainigydF4y2Ba N。gydF4y2Ba WindasarigydF4y2Ba N。gydF4y2Ba 当地的欧拉角模式识别的粉碎和反手羽毛球基于arm的位置gydF4y2Ba Procedia制造业gydF4y2Ba 2015年gydF4y2Ba 3gydF4y2Ba 898年gydF4y2Ba 903年gydF4y2Ba 10.1016 / j.promfg.2015.07.125gydF4y2Ba 2 - s2.0 - 85010002560gydF4y2Ba RusydigydF4y2Ba m . I。gydF4y2Ba HudagydF4y2Ba 年代。gydF4y2Ba RusydigydF4y2Ba F。gydF4y2Ba 哈迪SuciptogydF4y2Ba M。gydF4y2Ba 佐佐木gydF4y2Ba M。gydF4y2Ba 模式识别的开销在羽毛球正手和反手基于当地的欧拉角的迹象gydF4y2Ba 印尼的电气工程和计算机科学杂志》上gydF4y2Ba 2016年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 625年gydF4y2Ba 635年gydF4y2Ba 10.11591 / ijeecs.v2.i3.pp625 - 635gydF4y2Ba 2 - s2.0 - 85014323389gydF4y2Ba 卡贝略港ManriquegydF4y2Ba D。gydF4y2Ba Gonzalez-BadillogydF4y2Ba J·J。gydF4y2Ba 分析竞争羽毛球的特点gydF4y2Ba 英国运动医学杂志》上gydF4y2Ba 2003年gydF4y2Ba 37gydF4y2Ba 1gydF4y2Ba 62年gydF4y2Ba 66年gydF4y2Ba 10.1136 / bjsm.37.1.62gydF4y2Ba 2 - s2.0 - 0037311216gydF4y2Ba MajumdargydF4y2Ba P。gydF4y2Ba 卡纳gydF4y2Ba g . L。gydF4y2Ba 马利克gydF4y2Ba V。gydF4y2Ba SachdevagydF4y2Ba 年代。gydF4y2Ba ArifgydF4y2Ba M。gydF4y2Ba MandalgydF4y2Ba M。gydF4y2Ba 生理分析量化在羽毛球训练负荷gydF4y2Ba 英国运动医学杂志》上gydF4y2Ba 1997年gydF4y2Ba 31日gydF4y2Ba 4gydF4y2Ba 342年gydF4y2Ba 345年gydF4y2Ba 10.1136 / bjsm.31.4.342gydF4y2Ba 2 - s2.0 - 0030694504gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 林gydF4y2Ba C。gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 林gydF4y2Ba C.-T。gydF4y2Ba EEG-based司机困倦估计使用在线多视点和转移TSK模糊系统gydF4y2Ba IEEE智能交通系统gydF4y2Ba 2021年gydF4y2Ba 22gydF4y2Ba 3gydF4y2Ba 1752年gydF4y2Ba 1764年gydF4y2Ba 10.1109 / tits.2020.2973673gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 张gydF4y2Ba P。gydF4y2Ba 太阳gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba D。gydF4y2Ba 应用程序数据的高维数据降维方法基于单细胞3 d基因组数据联系gydF4y2Ba ASP事务在电脑上gydF4y2Ba 2021年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 宁gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 徐gydF4y2Ba 年代。gydF4y2Ba 蔡gydF4y2Ba W。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 余gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba W。gydF4y2Ba 的研究评论co-traininggydF4y2Ba 并发性和计算:实践和经验gydF4y2Ba 2021年gydF4y2Ba 在新闻gydF4y2Ba e6276gydF4y2Ba 10.1002 / cpe.6276gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 顾gydF4y2Ba X。gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 挂gydF4y2Ba W。gydF4y2Ba 雪gydF4y2Ba J。gydF4y2Ba 邱gydF4y2Ba 年代。gydF4y2Ba 林gydF4y2Ba C.-T。gydF4y2Ba 小说negative-transfer-resistant模糊聚类模型与一个共享的跨域潜在的空间和它的应用程序转移到脑部CT图像分割gydF4y2Ba IEEE / ACM事务计算生物学和生物信息学gydF4y2Ba 2021年gydF4y2Ba 18gydF4y2Ba 1gydF4y2Ba 40gydF4y2Ba 52gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba 风扇gydF4y2Ba C。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 香港gydF4y2Ba M。gydF4y2Ba K微带peocessor算法设计gydF4y2Ba ASP交易神经信息计算gydF4y2Ba 2021年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 15gydF4y2Ba 21gydF4y2Ba