运动员康复评价体系基于物联网的健康和人类的步态分析算法

文摘

为了提高运动员的损伤识别效果和康复评估,本文研究了传统康复评价方法,提出了一种新的运动员康复评价体系结合物联网的健康技术和人类的步态分析算法。此外,本文结合了运动特征来提高人类的步态分析的算法。此外,通过研究运动员的人体建模和运动过程中,人体步态分析算法,提出了可以应用于多个体育,和步态参数分析和算法可靠性研究通过仿真进行分析。确认后的算法是有效的,本文结合物联网的健康技术构造一个系统模型,得到系统功能模块架构的支持物联网的健康技术,并进行实验来验证系统性能。从实验研究,可以看出本文模型构建与理论和实践的需要,本文和系统在未来可以应用于实践。人类的步态识别算法构造在本文中有很好的效果,可以发挥重要的作用在体育康复的运动员。同时,本文中的系统构造有一定优势传统体育康复系统与算法的支持。

1。介绍

运动损伤是竞技体育发展的一个重要问题。竞技体育水平的持续改进在我的国家,人们的认识运动损伤也增加,和研究运动损伤也增加。竞技体育是最广泛的价值在我的国家的体育产业和体育伤害也是一个问题要解决,阻碍了我国竞技体育的发展。

体育运动是一项集体运动,使用技术,如跑步,跳跃,投篮,和身体对抗。体育是点缀着各种复杂多变的技术和战术和激烈的身体对抗,体育运动是非常变量和愉快的。由于体育赛事的许多特征,运动损伤是频繁。在国外的研究中,有些学者认为,运动不是一个高风险运动在某种意义上。然而,即使在规则的限制,合理的身体接触和行动超出了人体的正常能力仍在训练过程中发生。特别是,随着对抗的强度增加,越来越多的伤害身体接触的概率也会增加(1]。现代体育的发展正逐步向更高的强度、发展更快的频率,和高空对抗更加激烈2]。而体育迅速吸引公众的注意,这也大大增加了体育运动损伤的发生率。此外,现代体育要求相对较高的体质,和正确的功能性运动将为运动员提供支持优秀的身体素质和提高运动性能。体育对抗,运动员往往无法控制正确的动作,导致运动损伤。

步态分析技术和设备的应用来解决临床问题领域的骨科和体育康复发展迅速。病人手术后不能立即恢复健康状态的下肢,它还需要术后科学观察和运动训练。同时,医生还可以及时修改和完善体育康复治疗计划根据病人的术后康复3]。

本文的贡献如下:(1)结合物联网技术和人类的步态分析算法提出一种新的运动员康复评价系统;(2)提高人体步态分析算法基于运动特征,并提出人类步态分析算法,可以应用于多个体育运动员的人体建模和运动过程;(3)优化纯身高和体重之间的映射关系,建立一步基于多个相同类型的曲线和不同的高度,然后楼梯的高度可以直接影响步态风格和避免曲线比例的不平衡。

为了精确测量步态参数,步态分析设备,客观评估治疗的效果也出现了。因此,结合物联网的健康技术和人类的步态分析算法可以有效地提高运动员的康复评价效果,促进有效的康复计划的制定,并改善康复的康复效果的运动员和受伤后的恢复运动能力。

2。相关工作

目前,关于人类步态的研究主要使用运动图像和足底压力数据分析。人类步态的运动学数据分析主要使用高速摄像机捕获运动图像。关键点的坐标是用于获得关键数据如关键部件的速度、重心高度的变化,和角度变化的主要联合点。文献[4)总结了加速度计测量系统使用基于不同测量任务和用三轴加速度计测量人体移动。文献[5评估和验证的有效性集成加速度计测量动态加速度的测角仪的测量结果进行了比较,并集成加速度计。人类为了获得更多的运动学数据,结合陀螺仪等传感器,磁阻传感器和加速度计也可以用于测量和研究人类的步态。角的变化等关键零部件的踝关节和膝关节可以通过安装脚,小腿,大腿,和其他部分。此外,灵活的测角仪、ETS和传感面料也可以用作人类可穿戴传感器步态分析。使用灵活的测角仪测量关节角被用于临床研究(6]。ETS的准确性收购目标的位置和姿态数据相似的图像分析7),但缺点是容易受到电磁干扰从金属物体在测量范围内。是一种理想的便携式传感器、智能传感面料已经被研究人员使用进行步态研究用袜子与传感器(8]。从未来发展趋势的角度,便携式移动传感器将成为未来的主要发展方向运动数据采集。然而,目前的便携式运动传感器所面临的主要问题是计算的初始值和错误的积累。因此,目前,科学家们正在完成未来步态测试和分析任务通过开发新的传感器和测试方法。动力学的主要测量数据是人与地面之间的力。当人体是做行动如散步,跑步,跳跃,它将产生压在地上。与此同时,它还将收到一个从地上力大小相等、方向相反的反作用力。这个力是足底压力。健康成人的底力主要集中在第二和第三跖骨和高跟鞋9]。足底压力的分布特征已经成为医疗诊断的重要基地之一和技术动作的诊断。

本文主要研究应用物联网的健康运动员的康复。一些专家和学者已经做过类似的研究。文献[10)提出了一个3 d人类联合行动和步态识别方法。本研究使用一个标记的姿势恢复方法提取运动特征和结构特征。两种类型的特征提取是人类用于自动提取三维联合行动和步态识别的信息。文献[11提出了一种三维步态识别方法。这项工作从视频序列重建三维人体模型由多个摄像头来生成两个特征集。这两个特性包括静态特性集的长度的关键段和动态特性集识别下肢的运动轨迹。此外,该方法结合了静态和动态特性集来实现识别精度为70%,可以较好地解决和表面变化的影响。为了确保三维运动跟踪的准确性,文献[12)提出了一个3 d无名运动跟踪算法获取人体步态识别运动数据。算法使用了一个概略介绍动作捕捉系统生成地面实况数据来评估无名运动跟踪系统。同时,该方法选择三个分类:朴素贝叶斯、多层感知器,和支持向量机进行识别和辨认。与其他两个分类器相比,支持向量机分类器达到93.5%的精度。为了提供丰富的三维步态数据,文献[13)使用第二代KinectV2工具来创建一个3 d skeleton-based步态数据库。关节的数据集包含3 d信息和相应的二维轮廓图像,和静态和动态特性可以从模型中提取步态识别。此外,在不同视角的变化,数据库的分类率可以达到90%以上。文献[14)提出了一种新的基于融合步态识别方法的动态和静态特性。这种方法选择步态能量图的静态特性,步幅,一步融合频率动态特性和执行功能。同时,文献提出了一种核主成分分析方法结合局部保留投影减少步态特征尺寸(KPCA-LPP)。

文献[15)提出了一个步态识别方法,计算标准化观点行人身体部位的轨迹。该方法首先计算行走视图在步态周期的一半,然后单应性变换适用于近似变换行走视图到平行视图,最后应用单应性头和脚的轨迹在步态周期的一半。文献[16)增强人体轮廓用来去除工件和获得主体的宽度和高度,自动检测身体关节,决定关节角轨迹,并决定行走的胯部高度和步长对象。此外,它获取步态特征相同的视角通过透视变换。实验结果表明,该方法的正确分类率在90%以上。文献[17)使用自检校进行步态识别的方法。该方法不需要知道内部或外部相机参数和不再吸引承认人的注意。实验结果表明,使用纯动态步态特征在所有视图可以实现分类率为73.6%。

文献[18)提出了一个步态识别方法使用频域特性和视图转换模型(VTM)。这种方法主要使用的傅里叶分析步态周期提取的频域特性的时空轮廓体积行人和构建VTM。VTM用于步态特征转换成相同的角度和执行相似度测量。文献[19)提出了基于优化VTM步态能量(基)。该方法首先构造空间域基从完整的步行时间,然后由线性判别分析,优化构造基最后创建VTM运用截断奇异值分解的优化的基。文献[20.)开发了一个高斯过程分类框架,估计每个检测到的步态序列的角度,运用典型相关分析来模拟步态序列的相关性从不同的观点,并使用相关强度作为相似性度量。这种方法更健壮的噪音。文献[21)提出了一个基于view-invariant判别投影的步态识别方法,主要使用迭代学习来找到最好的单一线性投影改善歧视多视图步态特征的能力。此外,因为它依赖于视图投影不变性来判断,它可以直接匹配的多视图步态特征不了解或评估视角信息。文献[22)提出了一个判别投影列表限制(DPLC)来处理视图方差cross-view步态识别和自动捕获主要区别的信息通过引入修正条款。与此同时,一个简单而有效的步态表示基于步态能量图像介绍。也就是说,它使用步态的人格形象(GII)更好地捕捉cross-gait歧视信息识别。

不仅上述相关研究分析了现有的体育康复和面临的问题管理在我国的理论水平,还提供了许多实用和有效的措施,实现有序发展残疾人康复的具体实践和未来的发展道路。因此,本文研究了传统康复评估方法,提出了一种新的运动员康复评价体系结合物联网技术和人类的步态分析算法。结合体育特点,增强人体步态分析算法,通过运动员的身体建模和运动过程中,人体步态分析算法,提出了可以应用于多个体育,和步态参数分析和算法的可靠性进行了仿真分析。

3所示。基于耦合的动态运动原始算法的唯一的压力

作为物联网的健康的基本算法通过步态识别,动态原始算法的核心思想是更新有关强迫项的权重参数通过当地的加权算法和调整步态曲线通过目标点的通过改变目标点吸引物联网健康系统。在特定的使用,作为教学目标曲线曲线。通过学习目标曲线,它是调制根据目标点,生成的曲线可以保留自己的特点。本文使用纯学习运动员的曲线运动康复,然后曲线动态调制实现不同程度的康复目标点。DMP算法来源于弹簧阻尼模型,这是一个二阶动态物联网健康系统。当一个外力,它能产生更复杂的轨迹。弹簧阻尼项可以表示为(23]

其中,获得任期的物联网的健康系统,是一个常数项,目标点集,y是当前物联网的健康系统状态,是物联网的健康系统的速度,然后呢是物联网的健康系统的加速度。如果没有外力,弹簧阻尼项总是收敛到目标 ,就像春天总是收敛于0的位置。DMP引入了一个强制的术语f弹簧阻尼项的基础上。通过强迫项的作用,健康的网络系统可以产生更复杂的行为。这类似于应用力的基础上弹簧阻尼项,这将导致弹簧产生一个更复杂的运动。DMP此时可以表示为(24]

上面的一阶形式的公式

在上面的公式中,是时间常数。和常数项。如果 物联网的健康系统是一个稳定的二阶物联网的健康系统,它类似于一个没有外力的弹簧阻尼器。此外, 是唯一点吸引子网络卫生系统的事情。时的值和是 整个物联网的健康系统将显示一个临界阻尼状态。y是物联网的健康系统的输出。为了有一个更好的学习曲线在DMP,有必要控制更加复杂f,其复杂的行为来自虚拟力的控制。为了实现更复杂的力控制,虚拟力表达为非线性径向基函数的加权组合DMP。当然,也可以使用一个线性函数表示。f被定义为

其中,是一个固定的基函数,是一个可调节体重。我权重的顺序,上述公式实现非线性强迫项的表达式。其中, 是一个高斯核函数为中心,的方差。它可以被理解为加权和多个虚拟正常化的结果与高斯函数。此外,它也相当于对这种行为进行高斯编码(25]。由于物联网的健康系统之间的依赖关系,不允许直接与其他动态物联网健康系统和不能分离,这将导致物联网健康系统是灵活多变的。因此,提出了一种新的方法来取代术语与一个一阶线性跟踪方法作为标准物联网的健康系统,如以下公式所示: 在哪里是一个常数项。在一开始,一个初始状态任意选择的,是如 。x可以作为一个阶段变量,理解为一次项,用来控制执行。但是,与项目的时候,每一个物联网的健康系统是独立的。当x单调收敛为0,这意味着目标已经达到了。在这个时候, 是一个稳定的物联网的健康系统。使用标准的物联网的健康系统如下,我们定义 。当x衰变为0,物联网的健康系统趋于稳定。如图1的值是垂直轴x,横轴是时间26]。

标准的项目被确定后,他们需要引入DMP和定义的时间点吸引物联网健康系统。后,标准的物联网的健康卫生系统引入二阶网络系统:

其中,代表的初始位置y,目标点,调制的x意味着强迫项将在到达目标的时候消失 ,这确保物联网的健康系统的稳定性。它可以发现与时间无关,和具体控制有关吗x;也就是说,x控制高斯核函数的输出。的调制影响模型的振幅和空间扩展特征。一般来说,和是不平等的。如果它们相等,DMP将失败。具体的原因是 将导致上述公式的总体结果是0,这意味着不能控制物联网健康系统(这个时候27]。

总体框图如图2标准物联网的健康系统,包括控制开始和结束,非线性函数拟合的行为控制物联网的健康系统,转换输出物联网健康系统物联网健康系统加速度,和物联网的健康系统的耦合项扩张(28]。

从上面的分析,可以看出DMP目标点的动态调制 ,和控制的虚拟力影响的高斯核函数和它的重量。这是很方便的步态代下肢外骨骼康复锻炼。因为体育康复的过程需要使用目标点控制曲线的风格和振幅,重量会影响曲线的风格。

为了获得DMP的重量,有必要引入高斯核函数的来源(29日]:

是高斯内核人为设置的数量根据所需的精度。是高斯核的中心位置在0 - 1根据高斯核的数量平均分配。通过这种方式,可以获得一个完整的高斯核函数。为了获得合适的重量强迫项f在DMP,虚拟力需要计算。虚拟力计算:

加速度和速度在上面的公式中得到不同的曲线。在获得 ,重量是通过局部加权回归。重量表达式对应每个高斯核函数解决局部加权回归算法如下:

在上面的公式(30.),

通过上面的算法研究,该算法可以组合的研究在以下论文的一部分,和算法可以作为构建康复的基本算法模型来调整运动员的运动特征,以促进体育康复的及时诊断。

4所示。基于动态运动步态规划原语

当使用纯数字规划步态,至少需要一个连续运动步态曲线作为参考输入。纯计算的重量,重量被替换,和目标设置为获得加速度,然后可以集成获得加速度输出调制曲线。

以下是现场的下肢外骨骼康复锻炼。如果假定现场外骨骼运动是有限的X和Z飞机,然后在这个场景步态曲线将一个二维曲线。DMP框架下对多维曲线,应用程序通常是分解成一维曲线。

对于多维物联网的健康系统,多维网络健康系统通常视为一维的东西。使用DMP为多重空间的方法是由纯数字表示。的影响许多不同的高斯核函数的规划曲线纯是下面要讨论的。所选的参考曲线的曲线是第一步。从图可以看出3内核函数数量的增加,曲线的准确性纯计划变得更高。如图4,横轴代表踝关节的位置在水平方向上从原点,,纵轴代表的距离原点的踝关节Z设在方向。

操作速度的实际物联网健康系统需要考虑操作时间嵌入式物联网的健康系统的需要相比,互联网和适当的卫生系统参数选择的东西。硬件平台是BeagleBone黑色AM3358 CortexA8,健康的网络系统平台是嵌入式Ubuntu,和操作速度是1 GHz。纯的运行时间比较不同数量的内核函数如表所示1(31日]:

它可以从表1高斯内核数量的增加,物联网的健康系统的运行时间将会增加。因此,适当的高斯核函数时需要考虑实际的嵌入式物联网健康系统正在运行。

下面讨论的DMP计划会,高斯核函数的数量设置为50,和权重的数量是50。由于尺寸是2,权重的总数是100。目标曲线的终点 。应该注意的是,核越多,拟合精度越高。然而,计算速度会降低。目标曲线的终点n。应该注意的是,核越多,拟合精度越高。然而,计算速度会降低。第一步是选择作为目标曲线,和DMP拟合后曲线如图4。水平轴代表了踝关节的位置在水平方向上从原点,,纵轴代表的距离原点的踝关节Z方向。

上图显示,纯原始曲线可以学习很好。通过设置多个目标,执行动态调制 是原来的曲线。目标位置 ,和 分别是集。DMP调制后的曲线如图5。水平轴代表了踝关节的位置在水平方向上从原点,,纵轴代表的距离原点的踝关节Z方向。

从图可以看出5可以看出,DMP方法可以执行的动态调制根据目标点的变换,但不能调整曲线模式根据目标点。因此,它也可以解释说,多尺度步态可以调制通过设置距离和高度的步骤。

在同样的场景中,我们收集正常上下人的步态数据在不同尺度或人为使用一些工具来生成曲线。我们的数据集 ,d代表不同高度的曲线,曲线的相应的高度h。其中,我是我th点dth曲线。对应的虚拟力在相应的纯由下列公式计算:

上面的曲线公式是通过收集。通过设置时间或收购t作为标准,细分化点收集的曲线获得的速度,和二阶的区别是用来获取相应的加速度。和在纯常数项的参数。之后,计算所需的力量强迫项在纯数字,需要使用局部加权回归方法来获得相应的重量。具体的方法是一样的,基本的纯数字。在本文中,使用最小二乘法建立映射步骤身高和体重之间的关系。最小二乘法有能力很快适应曲线,特别是矩阵形式可以方便而快速地计算,也为应用程序提供了一个良好的基础在下肢外骨骼控制器和减少了对能力的需求。

最小二乘法的基本原理是建立功能相关的变量和相应的值之间的关系。例如,如果收集到的点集 ,功能之间的关系需要建立。在正常情况下,这种功能是不可能获得直接的关系。在这个时候,有必要采用一种近似方法建立函数关系。可以扩展到一般的功能n阶多项式,因此作为一个高阶多项式拟合函数被选中,以及定义的函数关系如下:

在上面的公式中,一个是一个特定参数,x是一个变量。这个问题在这个时候变成的问题如何获得高阶多项式的参数。我们可以定义一个损失函数,得到整条曲线的最小参数和目标曲线通过求解损失函数的最小值作为理想参数实现拟合的目的。损失函数被定义为

通过优化总体均方误差最小化,可以获得最优参数。除了迭代法,还有一个矩阵的方法来解决最优参数。上述公式是改写为矩阵形式:

其中,X是一个矩阵变量组成的,一个是一个参数矩阵。损失函数

其中,Y值矩阵对应吗X。当派生参数的推导上述损失函数,为了最小化整体价值,极端的观点需要选择,损失函数的一阶导数等于0。通过变换,可以得到以下结果:

当最小二乘方法适合纯的重量,的高度吗dth曲线。首先,我们给出了曲线 ,计算虚拟力单独的曲线,并计算虚拟力权重矩阵单独的曲线。其中,d是dth曲线,BFs是内核函数的数量。在这个时候, 如下:

体重和身高之间的关系建立的最小二乘法下列公式所示:

如果假设拟合函数的顺序米,然后有米参数。如果每个重量对应米拟合参数,然后有一个拟合参数大小,即 。之后,利用获得的最后的关系之间的拟合参数和高度的一步,一步的权重矩阵生成的高度可以通过上面的公式。用权重矩阵,得到纯的输出。纯的重量转换成一步的高度之间的关系,拟合函数的重量。这样,台阶的高度可以直接参与调整曲线风格,和直接的方法调整纯的重量通过步骤实现的高度。框图如图6。

之后,我们采用多个参考曲线和直接引入台阶的高度步态曲线的生成,进一步确保了曲线的合理性,并使用动态运动基元的方法具有良好的可伸缩性。它具有更好的环境适应性比条曲线调整的方法,可以避免产生不合理的机器人步态曲线在运动过程中,从而确保安全的下肢外骨骼行走。

在具体使用,标准物联网健康系统需要减毒从1到0,这样整个物联网的健康系统终于可以收敛到目标。这种方法一般适用于离线任务。摘要DMP需要能够适应在线任务和动态调整物联网的健康系统的状态根据足部压力的变化。因此,需要做出一些改变DMP本身的规则。如图7,横轴表示时间,纵轴表示控制时期的纯在纯标准物联网健康系统。通过这个,我们可以控制纯的步态时间;我们指定一个时间尺度x在此期间和控制运动。

整体步进运动康复的过程类似于下肢外骨骼的步态运动过程。它可以大致分为以下过程:准备当站,迈出了第一步,然后到达步骤。如图8,脚底上的黑点代表的中心压力的脚底心,和人体上的黑点是重心的位置的人。

并非所有流程的下肢外骨骼步态需要足部压力的参与互动项目,但只有当前脚踏上台阶,重心转移的过程需要力相互作用,用于控制脚的运动中心的压力到所需的位置。然后,DMP和压力耦合的关系词可以定义如下:

其中,和用来控制是否基本DMP物品和压力交互项目中发挥重要作用。原因是在实际锻炼下肢外骨骼康复,没有必要为这两个项目总是一起工作。在这里,一个压力检测单元将被引入,以控制两项,用于控制的作用更强。和分别是压力中心点的位置检测步进的腿和设定压力中心点的位置。摘要压力交互项只需要踩一步时有效,和唯一的压力被定义为P。的控制方法和压力检测过程中定义如下:

其中,是一个互动项目加速级别,这是映射到DMP可以响应的加速度根据脚的压力中心的位置。一个压力点底脚 。有n压力点。如果每一个压力点的坐标 ,然后相应的压力中心点的坐标

其中,和计算压力中心。应该注意的是,在这里我们只需要选择的方向x设在,脚的方向运动。耦合的术语定义如下:

其中,K和D定义常量,用来控制目标的距离和加速度水平之间的转换DMP耦合项。基本原理类似于PD控制器。也就是说,它是用来控制本身达到一个理想的位置,可以保持,直到下一个指令的到来,它不需要被释放。第一项类似于PD控制器中的比例项实现基本的调整功能。这里的作用是完成从控制误差映射到加速度水平。第二项是类似于微分项的PD控制器。根据不断变化的趋势,一个基本的补偿项添加到加速达到目标。总体框图如图9,包括标准物联网的健康系统,非线性函数拟合项,转换物联网的健康系统,和脚压力耦合项。

在那之后,有必要验证不同的影响K和D参数对物联网的卫生系统。通过设置不同的K和修复D,物联网的健康系统的采样周期是0.1秒一次。在实际的物联网的健康系统,的影响K调整时间的唯一的压力就是验证。同样的,不同的D和固定K值设置为验证的影响不同D调整时间。效果如图10,图10 ()是K曲线,图10 (b)是D曲线。水平轴代表不同K和D值。纵轴代表时间采样物联网健康系统调整到目标点底脚,目标点的位置在哪里设置为0.15。

在图10可以看到,它的价值k过程中起着重要作用的影响物联网的健康系统,可以大大提高调整时间。的调整D中起次要作用,其调整时间范围并不大,所以它主要起着辅助作用。

本文验证算法是否可以调整所需的唯一位置压力根据期望的目标值。在本文中,通过设置不同的压力中心的位置的脚底心,物联网的健康系统执行步态运动过程和收集的中心位置唯一的压力。踏上压力中心位置是0.120米,0.130米,0.150米,0.170米,结果在物联网的健康系统执行如图11。其中,希望点代表了预期值,横轴代表采样时间,,纵轴代表唯一的压力中心的位置跟:

从图可以看出11DMP算法加上唯一的压力可以调整的中心位置曲线唯一压力根据所需的位置和控制所需的位置附近。

以下是验证的脚踝曲线步态的影响。首先,本文做了基本原理验证实际下肢外骨骼系统物联网的健康。DMP高斯内核的数量设置为50,权重的数量是50,K3,D是0.01。在这篇文章中,K和D来自比例项在实际调试和PD控制器,这是相似系数的微分项来源,阶梯高度是0.12米。图12显示了脚踝曲线生成的实际物联网健康系统。水平轴代表了踝关节的距离从原点x设在,纵轴代表踝关节运动的高度。

在图12 (b),生成的基本轨迹显示了一个扩展的曲线Z方向的位置x设在接近0.28点,和踝关节曲线时踝关节的高度曲线Z方向是0.15米。然而,在图12(一个),没有转折点附近 继续向下,表明曲线计划开始时需要执行在目标点附近,小于0.15米。在图12 (b),有一个转折点在0.15米的高度。耦合脚压力交互项后,当脚步骤一步,将触摸一步,产生压力,然后它将积极改变重心的位置间接地通过调整步态。的调制的原因Z方向是,这种类型的运动是其机械结构相关。一般来说,外骨骼没有一个活跃的脚踝,所以改变重心的唯一方法就是通过提高腿。这种方法的优点是,它可以快速应对踩的步骤期间下肢外骨骼的腿步迅速根据力反馈和调整。此外,它不会有太多影响生成的曲线当没有按摩脚底的压力。因此,对于基本的步态,它可以保证类似于最初的轨迹。

5。基于物联网的健康康复评价体系

本文提出一组运动员康复评价系统基于物联网的健康和人类的步态分析算法。该系统包括五个主要部分:(a)康复训练系统;(b)生理信息采集模块;(c)病人控制终端;(d)网络通信单元;医生(e)服务器。如图所示的系统功能模块13。

运动员控制终端主要由microprocessor-centric嵌入式平台与网络接口基于嵌入式Linux操作系统。机器人的主要功能是控制单元,当地通信单元(蓝牙),游戏,视频和音频单元,网络接口单元、人机交互单元,等视频和音频的驱动单元包括相机、图像采集、存储和显示。网络接口单元负责驱动和数据传输的网络接口设备。人机交互单元负责驱动和显示的显示屏和触摸屏。值得注意的是运动员的网络接口单元的控制。因为这个系统强调物联网的健康系统,在互联网的健康更重要的事情系统强大的网络通信功能,如图14。

医生服务器需要提供数据库支持和网络接口,打开WEB服务接口,支持视频监控。此外,医生服务器在这个系统被设计为一个云服务为每个用户建立电子病历,并提供电子查询功能。无论哪一个终端(康复训练机器人)用户练习,只要身份识别是有效的,最后运动设置或定制的计划可以继续,如图15。

6。模型试验

建立上述模型后,我们验证的性能模型。本文构建的模型是一个运动员康复评价体系基于物联网的健康和人类的步态分析算法。因此,模型性能测试和模型实际效果测试模型中进行性能测试。首先,本文模型进行性能测试,获得多组体育视频通过网络,认识到这些视频系统,统计系统的速度和系统稳定性在处理视频信息的90套。结果如表所示2和图16。

从测试结果表2和图16,可以看出物联网系统构建本文具有良好的稳定性,充分发挥物联网系统的性能优势。接下来,我们将研究运动员的康复评估的影响。运动损伤评估和康复效果的100大学体育教育学生是用作测试标准。结果如表所示3和图17。

从上面的实际结果,可以看出运动员康复评价体系构建的实践效果本文很好,这是符合构建系统的预期目标。

7所示。结论

本文研究和设计一个运动员康复评价体系基于物联网的健康和人类的步态分析算法和设计并完成整个系统计划,测量和控制系统,人机交互。此外,本文提出了一种基于动态多尺度楼梯步态规划算法运动原语。场景的外骨骼上下楼梯,纯依靠一条曲线学习方法会导致的动态运动原语出现失衡比例调制时根据不同的目标点。因为这样的步态可能造成的安全隐患,本文优化纯数字。基于多个相同类型的曲线和不同高度,一步身高和体重之间的映射关系,建立了和楼梯的高度可以直接影响步态风格,避免了曲线比例的不平衡。此外,本文构造了系统的总体结构框架模型根据实际需求,充分利用互联网的优势卫生系统来提高系统性能。此外,本文设计实验来研究系统的性能数据处理和系统的影响运动员的康复评定和康复指导。通过实验研究,人类的步态识别算法本文构造具有良好的效果和可以发挥重要的作用在体育运动员的康复。同时,本文系统构造有一定优势传统体育康复系统与算法的支持。在随后的实践,本文中的系统可以用来扩大。

数据可用性

所需的原始/处理数据复制这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. l . g . Appelbaum g·埃里克森,“运动视觉训练:审查的最先进的数字训练技巧,“体育及运动心理学国际审查,11卷,不。1,第189 - 160页,2018。视图:出版商的网站|谷歌学术搜索
2. n . Bennour”教学实践和学生在体育课:教师教育视角,”创造性的教育,卷06,不。10日,934 - 944年,2015页。视图:出版商的网站|谷歌学术搜索
3. m . Bulat: Korkmaz, y z亚斯兰,和w·赫尔佐格,“肌肉骨骼仿真工具对理解机制的下肢运动伤害,”当前的运动医学报告,18卷,不。6,210 - 216年,2019页。视图:出版商的网站|谷歌学术搜索
4. n Cutforth和e . s . Belansky community-engaged方法翻译研究实践:一个体育教育的故事,“发展社区卫生伙伴关系:研究、教育和行动,9卷,不。4、571 - 582年,2015页。视图:出版商的网站|谷歌学术搜索
5. 美国法蒂玛,a .品牌:b.f.罗查et al .,“运动学参数的性能在精神分裂症患者使用markerless动作捕捉系统,”躯体感觉的研究,32卷,不。2、77 - 86年,2015页。视图:出版商的网站|谷歌学术搜索
6. r . Giannetti彼得雷拉,j·巴赫et al .,“体内骨位置使用高频超声测量与三维光学运动捕捉系统验证:可行性研究,“医学和生物工程杂志》上,37卷,不。7日,1 - 8,2017页。视图:出版商的网站|谷歌学术搜索
7. p s装玻璃和量化这些活动美国麦迪扎德”,挑战传统模式在应用运动生物力学的研究中,“运动医学卷,49号2、171 - 176年,2019页。视图:出版商的网站|谷歌学术搜索
8. d·霍尔顿,j .齐藤,t·高“深度学习框架字符运动合成和编辑,“ACM交易图片,35卷,不。4、1 - 11,2016页。视图:出版商的网站|谷歌学术搜索
9. E.-R。黄和T.-Y。金”,加强公共卫生、教育卫生、和武术在日本殖民时期(1937 - 1945),“运动康复杂志》,14卷,不。2、160 - 167年,2018页。视图:出版商的网站|谷歌学术搜索
10. o . v . Ivashchenko、o . o . Kapkan和o . o . Kapkan“模拟过程的14 - 15岁的女孩”训练光的运动和体操练习,教育学、心理学、Medical-Biological体能训练和运动的问题,19卷,不。8日,32-39,2015页。视图:出版商的网站|谷歌学术搜索
11. m·a·汗,“动作捕捉数据的多分辨率编码实时多媒体应用,”多媒体工具和应用程序,卷76,不。15日,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
12. o . m . Khudolii o . v . Ivashchenko Iermakov et al .,”计算机模拟少年体操运动员的训练过程,”体操科学杂志,8卷,不。3、215 - 228年,2016页。视图:谷歌学术搜索
13. M.-K。金、t . y . Kim和j . Lyou”明显的性能改善动作捕捉”,协会杂志》上的控制,机器人技术和系统,21卷,不。12日,第1172 - 1167页,2015年。视图:出版商的网站|谷歌学术搜索
14. a . Lopatiev o . Ivashchenko o . Khudolii et al .,“系统性的方法和数学建模在体育教育和体育,“体育教育和体育杂志(jp),17卷,不。1,第155 - 146页,2017。视图:谷歌学术搜索
15. t·马伦j .顿,c .转折”的内部和外部反应forward-specific英式橄榄球联盟仿真协议执行,没有身体接触,”国际期刊《运动生理学和性能,10卷,不。6,746 - 753年,2015页。视图:出版商的网站|谷歌学术搜索
16. d·穆里根k . r . Lohse n·j·霍奇斯,“action-incongruent次要任务调节预测精度在经验丰富的演员:电动机仿真的证据,”心理学研究,卷80,不。4、496 - 509年,2016页。视图:出版商的网站|谷歌学术搜索
17. d . Murase k Yokoyama k .藤井长谷川y, y .山本,“棒球捕捉模式根据不同任务约束,“体育教育的发展》第六卷,没有。3、151 - 157年,2016页。视图:出版商的网站|谷歌学术搜索
18. p·d·欧文和n .王”在体育联盟竞争平衡措施:季节长度变化的影响,”经济调查,53卷,不。1,第744 - 731页,2015。视图:出版商的网站|谷歌学术搜索
19. p . b . Shull w . Jirattigalachote m·a·亨特,m·r·卡特和s . l . Delp”量化自我和人类运动:回顾临床步态分析可穿戴传感和反馈的影响和干预,”步态和姿势,40卷,不。1,11-19,2014页。视图:出版商的网站|谷歌学术搜索
20. gasparri e . Cippitelli s, s . Spinsante和e .特使“Kinect作为步态分析工具:验证一个实时联合提取算法在侧面,“传感器,15卷,不。1,第1434 - 1417页,2015。视图:出版商的网站|谷歌学术搜索
21. m .低音部,m . Galanti g . Innocenti et al .,“行人航迹推算基于频率自动同步和人体运动学,”IEEE传感器杂志,17卷,不。2、534 - 545年,2016页。视图:出版商的网站|谷歌学术搜索
22. a·艾哈迈迪f . Destelle l . Unzueta et al .,“3 d重建人类的步态和监控使用穿在身上惯性传感器和运动造型,“IEEE传感器杂志,16卷,不。24日,第8831 - 8823页,2016年。视图:出版商的网站|谷歌学术搜索
23. a . Puupponen t Wainio、b .汉堡和t . Jantunen”头部动作在芬兰的手语动作捕捉数据的基础上:一项研究的形式和功能点了点头,点头,手臂,头拉,”符号语言和语言学,18卷,不。1,41 - 89,2015页。视图:出版商的网站|谷歌学术搜索
24. k . r . Ridderinkhof和m .黄铜动觉运动图像是如何工作的:predictive-processing可视化理论在体育和运动专家,”Physiology-Paris杂志,卷109,不。1 - 3,53 - 63年,2015页。视图:出版商的网站|谷歌学术搜索
25. d . Sghaier s Elandoulsi m .麻美,a . Bouassida”体育老师的培训游泳说教的联合作用下,“创造性的教育》第六卷,没有。22日,第2437 - 2433页,2015年。视图:出版商的网站|谷歌学术搜索
26. 美国Matheus Maligere de和c·l·d·席尔瓦,“身体实践和巴西文化:对体育教育专业教学贡献,”Procedia社会和行为科学卷,174年,第440 - 434页,2015年。视图:谷歌学术搜索
27. k . tiven d . s .戴手套,“高保真的影响心肺复苏(CPR)模拟训练学生知识、信心,情绪,和经验,“体育训练教育杂志,10卷,不。2、103 - 112年,2015页。视图:出版商的网站|谷歌学术搜索
28. j·杨,“模拟乒乓球在运动的过程中,“加勒比科学杂志》,52卷,不。4、1561 - 1564年,2019页。视图:谷歌学术搜索
29. a .张x k燕,a·g·刘”介绍了新近发展起来的“针灸针操作培训评估系统”基于光学运动捕捉技术”,针灸研究第41卷。。6,556 - 559年,2016页。视图:谷歌学术搜索
30. 张h . l . Wang楚,陈,h·孟和g·刘,“光学运动捕捉技术应用在电力安全实体的仿真培训系统,”光学与光子学》杂志》第六卷,没有。8,155 - 163年,2016页。视图:出版商的网站|谷歌学术搜索
31. Z.-M。周和z。陈,“动作捕捉数据的调查获得高维时间序列,”国际多媒体和无处不在的工程杂志》上,10卷,不。9日,相当于17 - 30,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021陈Lianzhen和朱华。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。