基于改进隐马尔可夫模型的羽毛球击球动作识别

摘要

近年来，随着体育运动的迅速发展，参加各种体育运动的人数日益增加。其中，羽毛球因其场地限制少、易于学习等优点成为最受欢迎的运动项目之一。为准确识别羽毛球动作，开发了一种可穿戴式运动活动分类系统。固定在羽毛球拍柄端部的单个加速度传感器用来收集羽毛球动作的数据。采用滑动窗分割技术提取碰撞信号。提出了一种改进的隐马尔可夫模型(HMM)，用于识别标准的10种羽毛球击球。这些动作包括发球、正手削球、反手削球进球、正手和反手、正手抽球、反手推球、正手接球、反手接球和正手。实验结果表明，所设计的模型能够实时识别10种标准笔画。与传统HMM相比，改进HMM的平均识别率提高了7.3%。最后一笔的综合识别率可达95%。 Therefore, this model can be used to improve the competitive level of badminton players.

1.介绍

羽毛球是奥运会项目，也是世界上最受欢迎的球拍运动之一。近年来，随着人工智能的快速发展，体育比赛成绩分析发生了根本性的变化[1.］.一般来说，由训练有素的运动科学专家进行的手工分析有一些缺点，如耗时、时间密集和主观。对运动项目的分析对于理解与运动表现相关的身体和技术要求是至关重要的。运动动作识别系统的开发是为了在运动科学中进行分析，提供客观测量，并提高运动表现的效率和准确性[2.,3.］.一般来说，运动动作识别系统是利用机器和深度学习方法开发的，数据由惯性和磁传感器或计算机视觉技术测量[4.］.

摄像机记录下的运动动作可用于运动员的姿势估计和运动分析[5.］.基于计算机视觉的活动识别系统的过程，主要依赖于运动和摄像机类型，包括玩家跟踪、目标运动识别和时间裁剪[6.］.该方法可以为教练员和运动员提供快速分析和实时反馈。然而，基于计算机视觉的动作识别系统受限于特定环境，需要更高的计算能力。运动动作识别的另一种方法是使用惯性传感器进行数据采集。传感器是可穿戴的，由陀螺仪、加速度计和磁力计组成[7.,8.].带有嵌入式惯性传感器的可穿戴设备通常用于各种应用，如步态分析、活动识别、医疗保健、疾病监测和导航[9］.

近年来，多名研究人员开发了可穿戴式运动活动识别与监控系统，足球、羽毛球、网球、棒球、高尔夫、篮球、乒乓球、排球等[10］.穿戴式惯性传感器可以测量运动训练和比赛中由手势和动作产生的线性和角加速度[11］.基于惯性传感器的可穿戴式活动识别系统的优点是成本低、重量轻、体积小，并且运行时所需功率最小。一般来说，运动动作识别过程涉及到原始信号滤波、信号加窗、归一化、显著特征提取、特征约简/选择、分类动作等信号处理过程[12]例如，Margarito等人[13]利用地形起伏法从13个最常见的时域和频域特征中提取了11个加速度特征。对于八动作分类，他们使用naïve Bayes (NB)、logistic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、下蹲、步进、跑步、举重和步行。Ermers等[14]结合DT分类器和ANN来分类活动，如坐、躺、站、走、用划船机划船、跑步和用健身自行车骑车。从加速度计和GPS传感器信号中提取了北欧人步行、踢足球和骑普通自行车的7个时域和频域特征。Mitchell等人[15]使用智能手机加速度计，并采用基于离散小波变换(DWT-)的支持向量机(svm)，通过最小顺序优化(SMO)算法进行优化，识别7项运动。Wang等[16]结合陀螺仪和加速度计信号，然后进行主成分分析(PCA)，从12个统计特征和3个形态特征中获得3个特征。这些数据被输入到支持向量机(SVM)分类器中，用于分类精英、亚精英和业余排球运动员。

我们的文献综述表明，机器学习领域的许多研究人员都关注基于惯性感知的体育活动分类。本文利用隐马尔可夫模型(HMM)开发了一种可穿戴羽毛球运动识别系统。本文的主要贡献如下:(我)提出了一种羽毛球击球动作的运动动作识别算法，并实现了羽毛球击球动作的实时识别系统。(2)该系统使用一个固定在羽毛球拍手柄末端的加速度传感器来收集动作数据。采用滑动窗口数据分割技术提取打击信号。(iii)提出了一种改进的隐马尔可夫模型（HMM）训练模型，用于识别10个羽毛球标准杆，识别准确率最高可达95%。

论文的其余部分组织如下2.提供背景和相关工作。提出的改进HMM将在本节中解释3.．结果如本节所示4.．本节给出结论5.．最后，本节给出了局限性和未来的工作6.．

2.背景

2．1．羽毛球空气动力学模型

羽毛球可以看作是一个四维空间。当毽子离开球拍飞向空中时，我们需要考虑到毽子的大小和高度以及羽毛球场地的大小和高度等外部因素。我们还必须考虑时间向量，这使得游戏技术、游戏速度和人类运动能力[17］.由于毽子的体积小、重量轻，在空中飞行时很容易受到各种外部因素的影响。例如，假设风速大于某一水平。在这种情况下，它在风的作用下会显著影响其性能。而且，即使羽毛球很小、很轻，它也会受到地球引力的影响。羽毛球在飞行过程中也会受到空军的影响，也会受到其旋转的影响。空军也被称为空气阻力。它比重力要复杂得多，它会因空气粘度等因素而变化。另外，在飞行过程中，毽子会受到一个与速度方向正交的侧向力，使毽子在飞行过程中旋转。在这个力的作用下，羽毛球的运动轨迹会偏离弧形的轨迹。 It is the Magnus effect in fluid mechanics [18］.数据1（a）–1（c）展示羽毛球的迎面阻力、空气摩擦阻力和涡流阻力。

在毽子上的空军可以分为三个不同方向的组成部分。它们是各种各样的抵抗力在羽毛球的飞行过程中，升降机这防止了毽子由于重力的影响而垂直下落，以及毽子离开原来位置的侧向力飞行路线。从数据中可以知道，在飞行过程中，毽子收到的空军力量不仅与面积成正比也与毽子的压力成正比计算空气中气流的速度，从而得出以下关系式： 哪里是羽毛球飞行过程中受到的各种阻力的阻力系数，是防止羽毛球因重力下落的升力系数，以及为使羽毛球偏离原飞行路径的侧向力系数。表示毽子与空气的接触面积。一般将毽子最显著横截面的面积作为毽子与空气的接触面积。因此，考虑羽毛球气动模型将有助于提高羽毛球击球动作识别的准确性。

2．2．击球动作提取

当加速度传感器采集运动员的加速度数据时，通常会持续几分钟甚至几十分钟，包括许多击球动作，形成由许多离散点组成的长数据段。因此，有必要对运动员的每个击球动作进行分割和提取，以利后续的cl分类与识别[19］.窗口分割技术主要用于击球动作的提取。窗口分割用来分割羽毛球员的多次击球数据，得到多个宽度相同或不同的窗口。每个窗口对应玩家的单次击球动作。窗口分割技术主要包括滑动窗口分割和事件窗口分割[19］.在本文的工作中，采用了滑动窗口技术。

基于滑动窗口的数据分割技术将一个采样射击信号分成若干等长的窗口，相邻的两个窗口可以重叠，也可以不重叠。本文以运动员在连续对峙中正手推几下为例，研究了滑动窗口分割技术阙[20].滑动窗口通过固定宽度的窗口沿时间轴移动，并提取击球动作，如图所示2.．

考虑到数据采样频率为200 Hz，羽毛球击球动作一般不超过0.5秒，窗口宽度设为100个样本提取击球动作，净组合加速度计算公式如下： 哪里 是三轴加速度信号和重力加速度分量是一直存在的吗净加速度是否代表纯粹的人类活动，加速度的单位是 ．

3.方法论

3．1.隐马尔可夫模型

HMM是一个关于时间序列的概率模型，描述了从一个隐马尔可夫链生成一个随机的不可观测状态序列，并从每个状态生成一个观测值来生成一个随机的观测值序列。数字3.显示了建议的HMM的示意图[21］.

隐马尔可夫模型由初始概率分布决定 ,状态概率分布 ,和观测概率分布 ．定义如下:让是所有可能状态和的集合是所有可能的观察结果的集合;然后, 哪里是可能的状态数和是可能观察到的数量。状态序列是否为长度 ,和为对应的观测序列;然后,

让为状态转移概率矩阵:

让为观测概率矩阵:

让为初始状态概率向量:

因此,嗯可以用下式表示: 哪里 , ,和称为隐马尔可夫模型的三个要素。

3．2.基于改进HMM的羽毛球动作识别

由于羽毛球动作的时间序列，可以用HMM进行建模，HMM是一个关于时间序列的概率模型。HMM建模主要依赖于三个参数:初始概率、转移概率和观测概率。对于每一个笔划，我们建立了一套适用于笔划的hmm。每个笔划动作分为N带有时间序列的元动作。每个元动作对应的码本通过向量量化确定，向量量化即HMM定义的观测集[16］.

羽毛球动作的识别过程就是预处理算法提取的当前击球动作的观察序列[22,23]用于输入所建立的每一个打击动作的HMM。利用Viterbi算法得到各模型中当前碰撞动作的最优状态序列的概率。Viterbi算法是一种动态算法，用于获取产生一系列观测事件的隐藏Viterbi路径的最可能序列的最大后验概率估计，特别是隐藏Markov模型(HMMs)。概率输出最大的模型对应的撞击动作就是当前观测序列的识别结果。

由于样本中多个数据集针对同一打击动作，而训练HMM参数模型所基于的样本是单个样本，因此模型数据可能会陷入局部最优。相比之下，其他样本的识别率较低[18］.适用于多种培训[24,25，本文提出了两种方案。一种是均值训练法，将模型输入的数据层即样本的观察序列整合在一起，取同一模型下多组训练数据的均值后进行模型训练。其次，采用频率加权训练方法对模型中样本观测序列的频率进行线性加权，并设置序列观察值 ． 和出现的频率是^th观察序列。则改进后的计算公式为: 哪里和是正向概率还是反向概率^th序列,分别 , ,和分别为改进的初始、过渡和观测概率参数。

改进的HMM训练和识别过程如图所示4.，10种类型的训练样本数据作为所有数据的100个镜头，通过改进的训练算法得到相应的模型，对于任何要识别笔划的人，通过Viterbi算法通过数据预处理算法序列获得观察到的笔划，并且70%的数据用于训练计算了10个击球动作模型下最佳状态序列出现的条件概率，并找到了最大条件概率对应的模型，该模型对应的击球动作就是识别结果。

4.实验和结果

4．1.实验装置

本系统采用MATLAB 2020开发环境和IntelliJ IDEA 2018（JDK 1.8），上位机操作系统为Win10，数据传输采用蓝牙4.0。系统硬件平台主要由六轴加速度传感器组成。六个传感器中的三个由每个玩家佩戴。一个固定在球拍手柄的末端，另外两个则戴在球员的脚踝上。球员的击球信号数据[26]，由固定在羽毛球拍柄端部的传感器采集，用于击球动作的特征提取。固定在踝关节上的传感器采集运动员的跑步信号数据，用于控制步速的恢复和训练。

4．2．羽毛球击球动作的特征提取

羽毛球击球动作包含许多重要的特征，如爆发力、击球速度、击球动能等。因此，本文通过比较三种不同技术水平的羽毛球运动员的重要特点，对单个羽毛球动作进行定量分析。表中给出了一个案例研究，包括三个不同技术层面的玩家信息1.．

高球作为羽毛球击球动作的主要得分点，在羽毛球比赛中起着决定性的作用。击球速度、反应速度、球员瞬间爆发力、击球开始和停止时产生的击球动能，都是衡量远距离击球质量的重要技术特征指标。

4．3．实验结果

4.3.1。提出的HMM识别性能

利用混淆矩阵计算隐马尔科夫模型的识别精度。我们用数字1-10来代表10个不同的羽毛球击球，发球、正手揉搓和反手都是你可以学习的技巧。数字5.给出了本文实验结果的混淆矩阵。

从图中可以看出5.改进HMM在10个不同的击球运动识别任务中取得了95%的准确识别结果，证明了本文模型的有效性。

4.3.2。与传统HMM的比较

表格2.给出了传统HMM和改进HMM的比较。与传统HMM相比，改进HMM的平均识别率提高了7.3%。改进后的隐马尔科夫模型对最终笔画的总识别率可达95%。因此，该模型有助于提高羽毛球运动员的竞技水平。

4.3.3。窗口长度对识别性能的影响

对于羽毛球动作识别，实时应用需要快速的响应时间。在第三个研究中，在研究窗口大小对模型性能的影响之前，将非重叠窗口分割方案应用于加速度信号。窗长对分类精度有显著影响。随着窗口大小的增加，分类精度趋于下降。当分析窗口长度从100个样本增加到300个样本时，总体分类准确率从95%下降到90%，如表所示3.．在羽毛球动作识别中，窗口越小，分类准确率越高。

4.3.4。不同分类算法的性能比较

为了进一步证明所提模型的优越性，我们还与支持向量机和BP网络进行了对比实验。对比实验结果如图所示6.．

可以看出，本文模型的识别率(90%以上)高于其他两种方法(不到80%)。因此，本文采用改进的HMM方法来识别10种不同的羽毛球划水动作。同一玩家的平均识别率可达95%，证明了本文算法的优越性。

5.结论

提出了一种羽毛球击球动作识别算法。该系统利用固定在羽毛球拍柄末端的单一加速度传感器来采集羽毛球运动的数据。采用滑动窗口数据分割技术提取碰撞信号。一个改进的隐马尔可夫模型被开发来识别十个常见的羽毛球击球，发球，正手搓球和反手都是你可以学习的技能。实验表明，该算法能实时识别10个常见镜头。改进HMM的平均识别率比传统HMM提高了7.3%。最终对镜头的综合识别率可达95%。该模型可用于提高羽毛球运动员的竞技水平。

6.局限性及未来工作

这项工作的主要局限性是，在数据采集过程中，只有15名运动员使用加速度传感器来识别10个基本羽毛球击球。我们计划在未来的工作中扩展我们的方法，包括更多的球员，并将数据集扩展到其他体育活动。

数据可用性

用于支持这项研究结果的数据包括在文章中。

的利益冲突

所有的作者都声明没有利益冲突。

参考文献

1. A. Bravo-Snchez, P. Abin, F. Jimnez，和J. Abin- vicen，“肌腱不对称源自职业运动员长时间的羽毛球练习，”《公共科学图书馆•综合》第14卷第2期9、Article ID e0222190, 2019。视图:出版商网站|谷歌学者
2. D. Rojas-Valverde, C. D. Gómez-Carmona, J. Fernández-Fernández等人，“青少年国际羽毛球比赛和性相关活动的识别”，国际运动成绩分析杂志，第20卷，第2期。3, pp. 233 - 338, 2020。视图:出版商网站|谷歌学者
3. J. G. C. Chiminazzo, J. Barreira, L. S. M. Luz, W. C. Saraiva, J. T. Cayres，“羽毛球男子单打技术和计时特征:2016年里约热内卢奥运会小组赛和加时赛阶段的比较，”国际运动成绩分析杂志第18卷第2期2, pp. 245-254, 2018。视图:出版商网站|谷歌学者
4. G. Torres-Luque, J. C. Blanca-Torres, J. M. Giménez-Egido, D. Cabello-Manrique，和E. Ortega-Toro，“羽毛球单打技术和战术动作观察仪器的设计、验证和可靠性”，心理学领域， 2020年。视图:出版商网站|谷歌学者
5. M. J. Duncan, M. Noon, C. Lawson, J. Hurst, E. L. J. Eyre， "基于小学的羽毛球干预对儿童基本运动技能的有效性"，体育，第8卷，第2期2，第11页，2020。视图:出版商网站|谷歌学者
6. D. B. Alder, D. P. Broadbent, J. Stead, J. Poolton，“生理负荷对羽毛球预期技能的影响:从测试到训练，”体育科学杂志，第37卷，第2期第16页，1816-1823页，2019年。视图:出版商网站|谷歌学者
7. A. M. N.阿兹米，P. K.苏皮亚，J. L. F. Lee, H. Noordin, M. S. Samsir，《改良设备对发展羽毛球技术的影响》，马来西亚运动、健康与锻炼杂志，第9卷，第5期。1, 2020。视图:出版商网站|谷歌学者
8. R. Miller, H. Towler, S. mcerlen - naylor，和M. King，《全身运动学与羽毛球起跳扣球拍头速度的关系》，该校学报档案第38卷第2期1, p. 480, 2020。视图:谷歌学者
9. S. Mori, K. Tanaka, S. Nishikawa, R. Niiyama, Y. Kuniyoshi，“使用气动-电动混合驱动器的高速羽毛球人形机器人手臂”，IEEE机器人与自动化通讯，第4卷，第4期。4, pp. 3601-3608, 2019。视图:出版商网站|谷歌学者
10. M. Sharma, N. Kumar，和P. Kumar，“使用Naïve贝叶斯和特征加权技术的羽毛球比赛结果预测模型，”环境智能与人性化计算杂志，第12卷，第8期，第1-15页，2020年。视图:出版商网站|谷歌学者
11. N. A. Rahmad, M. A. As 'ari, K. Soeed和I. Zulkapri，《基于视觉数据的卷积神经网络自动羽毛球扣球识别》，IOP会议系列:材料科学与工程，第884卷，第884期。1、2020年第012009条。视图:出版商网站|谷歌学者
12. O. Dieu, C. Schnitzler, C. Llena和F. Potdevin，“在分析专业知识时用客观数据补充主观:一种应用于羽毛球的机器学习方法”，体育科学杂志第38卷第2期17页，1943-1952,2020。视图:出版商网站|谷歌学者
13. J.Margarito、R.Helaoui、A.M.Bianchi、F.Sartor和A.G.Bonomi，“从单个腕带加速度计对体育活动的独立用户识别：基于模板匹配的方法，”生物医学工程学报，第63卷，第2期4, pp. 788-796, 2016。视图:出版商网站|谷歌学者
14. M. Ermers, J. Pärkkä， J. Mäntyjärvi，和I. Korhonen，“在受控和不受控条件下使用可穿戴传感器检测日常活动和运动，”IEEE生物医学信息技术学报，第12卷，第1期，第20-26页，2008年。视图:出版商网站|谷歌学者
15. E. Mitchell, D. Monaghan和N. O 'Connor，《用智能手机加速计对体育活动进行分类》，传感器，第13卷，第2期4, pp. 5317-5337, 2013。视图:出版商网站|谷歌学者
16. 王颖，赵颖，陈瑞敏，李文杰，“基于单一可穿戴式手腕微惯性测量单元的排球技术评估，”IEEE访问，第6卷，第13758-13765页，2018年。视图:出版商网站|谷歌学者
17. I. Ghosh, S. R. Ramamurthy，和N. Roy，“StanceScorer:一种数据驱动的方法来给羽毛球运动员打分2020年IEEE普适计算和通信国际会议研讨会(PerCom workshop)，第1-6页，IEEE, Austin, TX, USA, 2020年3月。视图:出版商网站|谷歌学者
18. M. I. Rusydi, M. Sasaki, M. H. Sucipto, N. Zaini, N. Windasari，《基于手臂位置的羽毛球扣杀和反手局部欧拉角模式识别》，Procedia制造业，第3卷，第898-903页，2015年。视图:出版商网站|谷歌学者
19. M. I. Rusydi, S. Huda, F. Rusydi, M. Hadi Sucipto, M. Sasaki，“基于局部欧拉角符号的羽毛球中头顶正手和反手模式识别”，印度尼西亚电气工程和计算机科学杂志，第2卷，第2期3, pp. 625-635, 2016。视图:出版商网站|谷歌学者
20. D. Cabello Manrique和J. J. Gonzalez-Badillo，《竞技羽毛球的特征分析》，英国运动医学杂志，第37卷，第2期1，页62-66,2003。视图:出版商网站|谷歌学者
21. P. Majumdar, G. L. Khanna, V. Malik, S. Sachdeva, M. Arif，和M. Mandal，“量化羽毛球训练负荷的生理分析，”英国运动医学杂志第31卷第1期4，第342-345页，1997。视图:出版商网站|谷歌学者
22. 蒋玉英，张玉英，林超，吴丹，张志涛。Lin，“基于脑电的驾驶员嗜睡评估——基于在线多视图和转移TSK模糊系统”，IEEE智能交通系统汇刊，第22卷，第3期，第1752-17642021页。视图:出版商网站|谷歌学者
23. 王志军，张鹏，孙伟，“基于单细胞三维基因组接触数据的数据降维方法在高维数据中的应用”，计算机上的ASP事务， vol. 1, no. 12，第1-6页，2021年。视图:谷歌学者
24. “协同训练研究综述”，宁学军，王学军，徐世生等。并发性和计算:实践和经验，文章编号E62762021，出版。视图:出版商网站|谷歌学者
25. 蒋勇，顾旭东，吴东等，“基于共享跨域转移潜空间的抗负转移模糊聚类模型及其在脑CT图像分割中的应用，”计算生物学与生物信息学汇刊第18卷第2期1，第40-52页，2021年。视图:谷歌学者
26. 张志军，“基于K算法的微带处理器设计”，《计算机工程》，神经信息计算学报， vol. 1, no. 11, pp. 15-21, 2021。视图:谷歌学者

版权

版权所有©2021 Chao Ma et al。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。