复杂系统的垂直Baduanjin升降运动传感识别大数据背景下的

文摘

如今,大数据的发展变得越来越快,和相关的运动传感识别和复杂系统研究大数据背景下逐渐被重视。目前,相关的研究相对较少在学术界垂直Baduanjin;在这个方向的研究可以在运动传感器识别进一步突破。为了执行相关动作识别研究的提升作用垂直Baduanjin,本文运用传感器技术采集运动视频图像的垂直Baduanjin基于大数据的背景和使用动作识别技术和相关算法得到行动。识别视频图像来获取数据,得到加速度、角速度,和肌电图数据,计算结束时间根据动作的变化和持续时间。数据表和图的变化趋势显示在实验结束时,我们可以看到以下几点:数据预处理后,加速度信号变化范围仅限于(−1,1)和加速度变化有一个明确的方向;经过15电梯的检测对象,其角速度X设在方向基本上是负面的。然而,当第九电梯被执行时,运动的角速度X设在方向为36.09,最大的角速度。当执行15提升行动,这个行动的角速度Z设在方向−26.05,这是最小的角速度。左边肌肉放电持续时间最长的在提升行动的主题是15.24 8.91胫骨前肌和腹外斜肌的最短时间。放电持续时间最长的肌肉也与12.15中,胫骨前肌和最短时间的安装工人spinae 8.79。

1。介绍

1.1。背景意义

随着大数据相关技术的发展,学者们越来越多的应用程序应用于大数据人机交互,运动识别和传感器技术。如今,人们越来越多的关注健康运动,和研究健康和体育锻炼认识也密切关注。健康的传统文化的一个重要组成部分,土壤中的垂直Baduanjin已经孕育了几千年的中国传统文化。其独特的文化基调和特点已经引起人们的关注。

1.2。相关工作

许多学者做了一些研究运动识别。小王提出了一种新的方法,即加权层次深度运动地图(whdmm) +三频道深卷积神经网络回旋网(3),用于识别人类活动从深度地图在小训练数据集。三种策略开发开采特点采用回旋网的能力(1]。燕提出了一个改进的软注意力模型结合卷积长短期记忆(LSTM)分层系统结构来确定类别的行动,在视频中,这个模型和燕称为卷积的分层模型(CHAM)的关注,该模型单元内部LSTM卷积操作,使用焦点地图生成过程来确定行动,分层架构模式是基于粒子的大小,可以更清楚的操作类型(2]。

1.3。本文的创新

本文研究了垂直Baduanjin的升降运动。实验研究背景是大数据技术,通过运动识别相关方法和传感器技术和使用复杂系统理论分析实验。本文的创新主要体现在以下几个方面:(1)实验研究大数据的背景下,它是非常方便的在实验收集数据,节省了数据收集的时间;(2)垂直的Baduanjin举重运动主题的研究上新的和创新的问题;(3)实验运用复杂系统理论的分析可以更科学合理的实验结果。

2。相关技术的垂直Baduanjin升降运动传感识别

2.1。大数据

作为生产的一个重要因素,今天数据已经渗透到每一个行业,数据挖掘和实现的效率将直接影响到新生产力的发展周期。大数据是一个巨大的、多样化和快速变化的信息资产。它需要采用新的处理方法来改善人们在视觉扩张的能力,流程优化和决策形成(3,4]。大数据量大大超过常用软件工具的功能,它是很难获得,管理,掌握,在可容忍的时间和过程。具体的数据处理方法有很多,但目前大数据处理的一般过程可以概括为四个步骤:大数据集合,大数据输入和预处理,大数据分析和统计,和大数据挖掘(5]。其具体的处理流程如图1。

大数据收集分析过程,引入第一个结构化、半结构式,和非结构化数据,然后将数据质量和数据集成的装载作业。如果数据需要实时处理,数据将会流入计算模块;如果数据不需要实时处理,数据可以先输入数据集成模块数据质量筛选;过滤预处理可能不是直接通过数据集成模块和离线处理传入的数据分析模块。有必要进行建模和预测分析,挖掘数据分析工具。最后,当数据到达表示层、管理可以做出决定,发现、建模和预测分析,报告,计划的预言,节目内容分析应用程序。大数据共享和数据共享模块的操作是指重复操作在不同的应用程序或数据信息可能会沉淀成模块,其他常见的应用程序的数据供以后分析。大数据的分析和处理过程可以表示为一个大数据分析架构图,如图所示2。

大而复杂的数据只存在数据材料之前被识别和发现。当人们发现了它的价值,但尚未开始对其价值进行分类,他们只能被视为一个数据资源(6]。只有在收集和合并,可以从数据中提取有价值的信息分析工具表单数据资产和利用资源7]。虽然数据资料、数据资源,在大数据有相同的材料和数据资产的内涵,它们属于不同的管理类别,有显著差异。三个之间的关系如图3。

大数据的特点可以概括为四个V:体积,速度,品种,和价值。由大数据聚合的数据量非常巨大,和计量单位通常达到PB(100万克),EB(10亿克),和ZB(10亿克),大数据的速度是反映在两个方面:第一,数据生成的速度快。另一种是需要非常快速的数据处理速度。快是最大的大数据技术和传统数据技术的区别。在大数据时代,不仅数据量的激增,而且来源和类型的数据变得越来越复杂。大量的传统数据通常是预定义的结构化数据。与检测技术和互联网的出现和发展,一种和非结构化数据大量出现,丰富的数据。多样性也会增加处理和存储数据的困难。然而,当前数据通常有价值密度低的问题。随着数据的增长,可以从大量的数据中提取有用的信息可能非常小,不能根据数据量的增加。 It is more obvious in unstructured and semistructured data. Therefore, how to use powerful data calculation methods to quickly obtain data value and improve the quality of data information is one of the urgent problems to be solved in the context of the current rapid development of big data.

2.2。传感器技术

传感器是一种设备,可以测量对象,并将它转换成一个信号,可用于传输一个信号根据特定的规则。这也是一个能量转换装置,可以将一个能量转换成另一个能源(8,9]。传感器主要由两部分组成:敏感元件和转换元件。一些传感器还包括信号放大电路,主要是因为传感器的电信号输出相对较弱,难以衡量10]。传感器的框图如图4。

传感器与检测技术之间的关系非常密切。检测技术是通过传感器得到的测量窗口。传感器在测量对象的接口和检测系统。您需要了解检测技术才能更好地利用传感器(11]。最重要的检测技术是检测的测量对象。测量可以由以下公式表示: 在哪里是测量值,是标准的数量、计量单位,然后呢是测量的多个对象。的直接检测方法检测技术可以表达的第一个公式和间接检测方法可以表达的第二个以下公式:

在检测系统中,传感器连接到测量对象和信号调节电路。信号调节电路获得通过传感器测量对象,然后处理信号。检测系统的基本框架如图5。

的开环测量检测系统,信息的方向过渡是一个方向。有两个方向的信息渠道闭环测量,一个是积极的通道,另一种是反馈渠道。他们的输入和输出关系公式分别如下公式所示: 在哪里 是每个链接之间的传递系数,是闭环的反馈系数测量, 。在实际测量过程中,由于环境因素和人为因素的影响,很难实现精确测量,从而引起测量误差。的表达方法测量误差主要包括绝对误差,实际的相对误差,引用错误,基本误差,附加误差。绝对误差的公式如下:

实际的相对误差公式如下:

引用误差的公式如下: 在哪里代表绝对误差,是测量值,是真正的价值, 是真正的价值。

传感器的输入和输出之间的关系是一个关键功能的传感器。不同的传感器产生不同形式的电能,这主要取决于传感器的基本特征。传感器的静态特性和动态特性。如果输入信号是静态的,那么输出之间的关系传感器的输入不随时间变化;也就是说,输出没有时间可以由一个方程表示: 在哪里代表输出,当输入= 0 是非线性系数。传感器的静态特性的指标包括灵敏度,线性度,repeat-ability,滞后,传感器的漂移。他们的公式表达如下:

在公式代表传感器的灵敏度,的绝对误差是最大的非线性,的输出值是满刻度的传感器,输出的磁滞的区别,是输出输出温度,是输出温度20摄氏度时输出,然后呢温度之间的差异吗和20摄氏度。

传感器的动态特性意味着传感器的输出随时间的变化;也就是说,传感器的输出是一个时间函数的输入。理想的动态特性、时间函数的输出和输入时间函数是不一样的,以及它们之间的区别在于动态误差。传感器的动力学方程如下:

2.3。行为识别

计算机可以分析和判断的过程不同的行为和动作通过自动检测叫做行动识别(12]。主要任务是分析运动识别图像或视频集合来确定运动序列图像或视频,使用计算机图像的视频编辑操作,使用电脑定位跟踪,视频图像识别目标。传统的动作识别方法是手动提取图形特征的视频或图像,然后减少生成的特征向量的维数,最后使用不同的分类器分类和识别(13]。根据描述方法在视频识别过程中,动作识别技术大致可以分为以下四类:Patios-temporal特征识别方法,识别和概率推理方法,操作规则识别方法和动作模式识别方法。根据的数量水平的行动功能,动作识别技术可分为单级识别方法和多层次识别方法。广泛应用于视频监控、人机智能交互,医疗、虚拟现实、体育等领域。这是一个有趣和具有挑战性的问题。动作识别的应用领域在年轻人和老年人在图所示6。

动作识别可以获得原始数据通过使用视频设备和可穿戴设备根据不同传感器的电子设备(14]。运动识别方法使用视频设备是计算机应用系统方法,并使用可穿戴设备运动识别方法是一个基于传感器的系统方法。日益成熟的微电子机械系统的生产过程,各种电子元件和产品,特别是传感器,极大地改善和发展迅速的体积,准确性,功耗和性能。传感器发挥着越来越重要的作用在动作识别(15,16]。有很多方法来识别行为;基本思想是将匹配模板与模板的分类类别。通过测量模式之间的相似性,未知类别可分为。第二个是生成基于模型的方法,使用一个共同的概率函数来确定观察到的属性值之间的关系和操作类别信息。另一种方法是基于识别模型,模型可以直接给定类别的条件概率的运营商。该方法的分类模型相对简单,计算效率高。

2.4。复杂的系统

的主要研究对象是复杂系统科学和复杂性可以在日常生活的每一个角落。生命系统与社会系统是复杂系统(17]。复杂系统通常由多个交互单元、单元的特征或特性,并不是每一个组件。一个复杂的系统,它的总性能部分表现的不是一个简单的叠加,以及总体性能和部分性能之间的关系是一个复杂的非线性关系(18]。复杂系统强调个体之间的层次关系和外观特征和整个和注重动态问题在整个系统的演化。系统中各种因素之间的相互作用,各种子系统,系统所在的环境使系统不断升级和发展。它不依赖于一个或一对具体的影响因素,这种交互和系统非常敏感。项目之间的微小变化会导致完全不同的结果(19,20.]。复杂系统开放性的特点,分层结构、复杂性、动力学和非线性。

复杂的系统仍处于起步阶段,甚至可能包括一个新系统或革命传统的科学方法。复杂系统的作用下不断发展和不断发展的力量。整个复杂系统的动态过程可以被描述为个人的动态行为。的复杂性和复杂系统领域的跨学科性质决定,没有专用的模型在复杂系统领域(21,22]。一个复杂的系统的基本模型是一个细胞自动机,它是一个动态的系统。研究细胞自动化系统的复杂演化行为及其发生机制有助于探索复杂系统的复杂性,研究其内部法律[23,24]。细胞自动机有不同的时期,不同的国家,不同的空间、同质性、正常的位置,和并行性。

细胞自动化可以由four-tuple表示,细胞的状态,是离散单元空间,是有限的细胞周围半径,然后呢是当地的规则:

初级细胞自动机的表达:假设细胞状态的数量 ,它的状态是 ,你的邻居半径是 ,和细胞状态是 ;邻居细胞的细胞本身被称为社区细胞及其状态

邻近细胞的排列状态值对应于一个普通函数 。假设细胞在下一个时刻的状态和定义如下:

国家初级细胞自动机的定义通常是指集 ,及其状态转换函数可以表示为

细胞状态的时间是 。D,_, ,是美国的左右邻居和邻居细胞,分别。

可逆元胞自动机可用于信息安全等领域的信息编码,图像加密和解密,被描述为及其公式

二维细胞自动机的所有细胞分布在一个平面网格组成的普通细胞及其细胞在下一个时刻可以表示为状态

3所示。垂直Baduanjin升降运动传感器识别的实验设计

3.1。数据收集

升降运动的识别分为两个部分:数据采集,数据处理结束。传感器动作识别是一个数据收集的过程和特征提取和分类。数据采集器可以被视为一个整体,包括主控制模块、传感器模块和通信模块。数据采集终端的框图如图7。

数据收集的行为可分为三种类型根据数据传输方法:使用有线连接,无线传输,直接读取的数据通过本地数据存储方法。收集的数据的无线传输只能增加穿着的舒适性能数据收集系统和可以观察实时数据采集存储;因此,它优越的选择。本实验使用传感器作为无线数据传输的传输通道,使用传感器技术来识别运动数据,和运动数据传输到接收端。收集数据的处理流程如图8。

3.2。行动数据预处理

的过程中收集实验数据,即使是最好的数据采集设备将不可避免地引入噪声实验数据流。噪声的出现会影响后续的研究工作和干扰的判断最终的实验结果。这个实验使用平滑去噪和归一化数据预处理方法降噪的收购过程的加速度信号和角速度信号上肢升降运动的测量对象。许多研究使用小波去噪噪声信号来实现去噪的体现原始信号选择小波基函数和分解层次n(一般n需要3 - 5个)小波分解,选择一个阈值来量化每一层小波分解的高频系数,然后重构阈值量化后的低频系数和高频系数。小波阈值去噪的流程图如图9。

两个常用的阈值函数主要有:硬阈值函数和软阈值函数。假设原来的小波系数和吗是设置的阈值;然后,他们的表情

由于个体之间的差异,不同的人执行相同的上肢运动;他们的加速性能,包括运动振幅和执行速度,总是不同的。通过归一化技术,用户的行动加速度数据的不同强度(加速度信号的振幅)可以调整。本实验使用规范化标准化的振幅范围的原始加速度数据相同的振幅范围(−1,1)。假设原始数据 ,正常化, 以上间隔,规范化数据的表示 ;然后,归一化公式如下:

3.3。特征参数提取

时频分析方法用于提取操作的特征参数,基于小波理论。表示小波尺度函数和小波函数通过 和 ,分别使用双刻度方程满足以下:

共轭滤波器系数 配方的正交关系。的 由公式(20.)称为小波包由基函数决定 。的小波包信号表示为

收集到的三维加速度信息的人体上肢的信号X,Y,Z方向是相互垂直的。对于每个维加速度信号,执行相同的小波包分解得到各频带的能量在三个方向。

4所示。数据分析的运动传感识别的垂直Baduanjin解除

4.1。加速度信号比较之前和之后的运动数据预处理

规范化运动加速度信号有相同的最大值,所以不同的测试对象的运动加速度信号集成根据相同的标准,从而创造条件为特征参数提取和运动分类和识别。在这个实验中,预处理后的相关数据垂直Baduanjin升降运动,这个运动的加速度信号变化如表所示1。

根据表中的数据1之前,我们可以看到的变化加速度信号和数据预处理后的行动。为了观察加速度信号的变化趋势更直观,我们比较操作的加速度信号的变化。我们把数据表1成一个平面,最后转换结果如图10。

根据图表图的变化10,我们可以看到,没有预处理的加速度变化范围是(−15001000)和数据变化之间跨度很大。预处理后,加速度信号的振幅变化是有限的(−1,1)之间,和加速度的变化有清晰的方向。

4.2。角速度的变化

特征提取后的检测对象,对象的角速度信号的变化在15个电梯,和角速度的变化X,Y,Z方向进行了分析。根据数据采集终端,提升行动的角速度15倍的数据如表所示2。

根据表中的数据2,我们可以理解动作的角速度变化后15电梯。为了改变操作的角速度为可视化分析,我们将表中的数据2和最后的结果显示在图11。

根据图中的数据11,我们可以看到,经过15电梯,角速度行动基本上是负面的x设在方向;然而,在第九,角速度的行动x设在方向是36.09,这是最大的在所有的角速度;在15提升行动,行动的角速度z设在方向−26.05,这是最小的在所有的角速度。

4.3。提升运动的肌肉肌电图测试结果

胫骨前肌的心电图信号(TAM),安装工spinae (ES),腹直肌(RA),腹外斜肌(加工),和臀大肌(GM)被收集,和触发时间,结束时间和持续时间进行了分析。肌电的统计数据如表所示3。

根据表中的数据3,我们可以知道触发时间,结束时间,一些肌肉的肌电图信号持续时间当身体执行垂直Baduanjin提升行动。转换表中的数据3身体的左边。EMG信号时间数据图的肌肉和肌电图信号的时间数据图正确的身体的肌肉:转换后的结果如图12和13。

根据数据中的数据12和13,我们可以看到的放电序列和持续放电时间的一部分的肌肉测试对象在提升行动。从图12,我们可以看到左侧肌肉放电持续时间最长的胫骨前肌15.24分,最短的时间在8.91腹外斜肌。从图13,我们可以看到正确的肌肉放电持续时间最长的也是12.15的胫骨前肌和最短的时间是8.79的安装工人spinae。

5。结论

大数据是一个新兴技术密切相关的数据收集、数据传输和数据分析近年来。它还可以的和一种复杂和庞大的数据。实验研究大数据背景下实验数据收集可以解决这个问题。结合大数据、传感器技术和复杂系统理论有效地开展相关研究的方向运动识别将帮助学者找到技术突破和创新领域的运动识别。

本研究使用大数据为背景来设计实验的运动识别Baduanjin垂直升降运动,通过传感器技术采集的视频图像垂直Baduanjin升降运动的检测对象,并使用运动识别相关的方法和公式比较运动视频数据计算和整理;最后统计触发时间行动加速度、角速度,和肌EMG信号检测对象的一部分,结束时间和持续时间的使用复杂系统理论对实验数据的分析。

虽然这个实验是表现良好,仍存在一些不足:首先,尽管大数据解决问题的数据收集,数据太大,很难商店。其次,操作视频图像收集后,视频图像不优化,从而导致实验数据中的错误。最后,复杂系统理论的研究不是很适合垂直Baduanjin升降运动传感识别,它应该得到改善。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由Jouf大学Sakaka Al-Jouf,沙特阿拉伯。

引用

1. w . p . Wang, z高,j .张c . Tang和p . o . Ogunbona”行动识别使用深卷积神经网络,从深度地图”IEEE人机系统,46卷,不。4、498 - 509年,2016页。视图:出版商的网站|谷歌学术搜索
2. 燕,j·s·史密斯,w . Lu et al .,“可汗:动作识别使用卷积层次关注模型,”IEEE人机系统,1卷,不。1,第3962 - 3958页,2017。视图:谷歌学术搜索
3. 美国阿塞,“超越预测:政策问题,使用大数据”科学,卷355,不。6324年,第485 - 483页,2017年。视图:出版商的网站|谷歌学术搜索
4. 公元毛罗·m·格列柯,m·格里马尔迪”的正式定义大数据根据其基本特征,“图书馆复习,卷65,不。3、122 - 135年,2016页。视图:谷歌学术搜索
5. m·m·拉索尔教授a·艾哈迈德·a·保罗,和美国ρ,“城市规划和构建基于物联网的智能城市使用大数据分析,“计算机网络,卷101,不。C, 63 - 80年,2016页。视图:出版商的网站|谷歌学术搜索
6. z苏问:徐,问:“气”,“移动社交网络大数据:QoE-oriented框架,“IEEE网络,30卷,不。1,52-57,2016页。视图:出版商的网站|谷歌学术搜索
7. l, c .江王J . et al .,“在大数据信息安全:隐私和数据挖掘研究[J],”IEEE访问,卷2,不。2、1149 - 1176年,2017页。视图:谷歌学术搜索
8. f·j·布劳h . m . Schenk b.f. Jeronimus et al .,“让我们Physiqual-an直观和泛型方法与生态的评估,结合传感器技术”生物医学信息学杂志,卷63,不。1,第149 - 141页,2016。视图:出版商的网站|谷歌学术搜索
9. k . Harada j .石田et al .,“介绍特刊”在2012年日本最先进的传感器技术,”传感器,14卷,第11048 - 11045页,2016年。视图:谷歌学术搜索
10. d·瓦格纳沃格特,f i贾马尔et al .,“微波传感器技术在心血管疾病中的应用斑块的检测,“目前在生物医学工程方向,卷2,不。1,第277 - 273页,2016。视图:出版商的网站|谷歌学术搜索
11. o . s . Albahri a . s . Albahri k . i穆罕默德et al .,“系统回顾分类和基于优先级的实时远程健康监测系统的传感器技术:分类,公开挑战,动机和建议,“医疗系统杂志,42卷,不。5,1-27,2018页。视图:出版商的网站|谷歌学术搜索
12. 他,c . Wu, j .田“电流传感器技术的概述,电气传动,48卷,不。1,第75 - 65页,2018。视图:谷歌学术搜索
13. 王w·杜,y, y乔,“复发性时空关注网络视频识别,行动”IEEE图像处理,27卷,不。99年,第1360 - 1347页,2017年。视图:谷歌学术搜索
14. Bui, n . n . j . y . Kim和H.-G。金,“Gradient-flow张量差异特征对人类行为识别,”IEICE交易基础电子、通信和计算机科学,卷99,不。1,第440 - 437页,2016。视图:出版商的网站|谷歌学术搜索
15. 春和c·s·李“人类行为识别使用直方图的运动强度和方向从多个视图,“专业计算机视觉,10卷,不。4、250 - 257年,2016页。视图:出版商的网站|谷歌学术搜索
16. d . Alyssa”,现在温度传感器包括本质安全传感器连接相关,”制造自动化:机器Dessig、系统技术,33卷,不。1,p。29日,2018。视图:谷歌学术搜索
17. d . g . Dessavre j . e . Ramirez-Marquez和k·巴克”,多维复杂系统的弹性分析方法。可靠性工程”,系统安全卷。149年,34-43,2016页。视图:谷歌学术搜索
18. s . Lehuta r . Girardin s Mahevas m . Travers-Trolet和y Vermard”协调复杂的系统模型和渔业的建议:实际例子和领导,”水生生物资源卷,29号2、208 - 209年,2016页。视图:出版商的网站|谷歌学术搜索
19. j·陈,陈b . m . j .太阳”复杂系统与智能控制:理论和应用,“前沿的信息技术和电子工程,20卷,不。1、1 - 3,2019页。视图:出版商的网站|谷歌学术搜索
20. a . Almalaq j ., j·j·张,F.-Y。王,“平行建筑:一个复杂的系统方法对智能建筑能源管理”IEEE / CAA自动化杂志》上》第六卷,没有。6,1452 - 1461年,2019页。视图:出版商的网站|谷歌学术搜索
21. m·r·Pourhassan s Raissi, A . Hafezalkotob”模拟方法的复杂系统可靠性评估随机退化和随机冲击,”Eksploatacja我Niezawodnosc——维护和可靠性,22卷,不。2、370 - 379年,2020页。视图:出版商的网站|谷歌学术搜索
22. j·李和y王”,区域产业集群和创新的耦合效应基于复杂系统指标和模糊数学,”《智能与模糊系统,37卷,不。5,6115 - 6126年,2019页。视图:出版商的网站|谷歌学术搜索
23. z熊和t .姚明,“面向服务的模型封装和选择方法对于复杂系统仿真基于云架构,”熵,21卷,不。9日,第892 - 891页,2019年。视图:出版商的网站|谷歌学术搜索
24. b . Dadvand f . Behzadpoor,“教学知识在英语教学:终身学习、复杂系统的角度来看,“伦敦的教育,18卷,不。1,第126 - 107页,2020。视图:谷歌学术搜索

版权

版权©2021燕Zhang et al。这是一个开放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。