文摘
传感器技术已经深入体育产业,借助传感器来监测和收集数据,实时的体能训练。在乒乓球、可穿戴传感器可以记录数量的训练,运动本质,中风的双手和协助乒乓球的测试和评估。分析了可穿戴传感器应用于乒乓球培训活动和信号采集和特征提取的细节。同时,机器学习技术经常用于识别和测试乒乓球训练数据,和一个支持向量机(SVM)分类器是其中的一个代表。将处理过的信号数据应用到支持向量机的分类和测试可以有效地识别和评估培训效果和运动员的运动身体健康。集成智能传感器和乒乓球可以有效地提高评价效率和质量的过程中教学和培训。
1。介绍
传感器技术的迅速发展,体育研究的行动,行为是至关重要的管理和组织传统的运动训练和竞技体育竞争1,2]。在运动训练中,训练,体能,运动员的动作要领的掌握直接影响运动员的训练结果和最终结果。因此,在智能传感器技术的帮助下,全面记录运动员的训练量和行动可以帮助运动员快速提高培训效果。
中国乒乓球在世界上有很大的影响,和乒乓球技能是提高一天(3]。在训练和比赛,乒乓球有体积小,速度快的特点。运动员的运动主要是变量,但它们有自己的特点。在专业乒乓球训练,教练将仔细分析对手的行动特点的视频数据。收集运动员的训练、体能和竞争数据,及时调整培训策略根据对手的攻击和防御的弱点。例如,智能传感器可穿戴设备或视频等常用的教学和培训。
显然,传感器网络已成为当今时代的代表性技术。住宅生活、工业生产、体育训练和科学研究中,传感器网络无处不在。传感器可以监测周围的信息并以电信号的形式输出。这些电信号表达相应的法律。当然,也可以在其他数据输出形式(4]。传感器网络集成了许多技术,如获取信息,处理信号,处理数据,并记录。无线传感器通常使用设备。
无线传感器网络(WSN)可以估计物理量和将其转换为信号读取由观察者或仪器。传感器在传感器网络获取输入信息、存储信息和转换数据并传输到其他设备。运动研究的识别,属于一种可穿戴传感器(加速度传感器5,6]。画的支持能耗低,体积小,低成本,可穿戴传感器是由许多培训机构购买并投入使用。
在乒乓球教学与训练、加速度传感的应用训练过程分为两个环节,即运动特征提取、特征选择和识别算法。加速度传感器显示和分析了培训时间,打击行动,和摇摆动作信号的物理特性和人体运动的特点。准确记录并确定运动员的数据起着重要的作用在提高乒乓球的训练结果。
2。相关工作
2.1。传感器和体育
传感器技术可以区分三种模式。第一代是结构性的传感器,使用结构参数的变化和转换的信号。第一代有一个重要的结构特征,即结构传感器。信号的采集和处理调整参数,和更多的代表是电阻应变传感器。第二个是固态传感器。考虑到各种材料的独特性能,半导体或磁性材料选择。在他们后面,分别使用热电效应和光敏效应。接下来,是智能传感器,故障的能力和信号处理,也可以适应外部环境。智能传感器取得了相对智能模式,结合网络,实现了内存和测量工作。如图所示,表1、传感器一般分为物理、化学和生物传感器。
随着体育和科学和技术的重要性,传感器技术已经成功地应用于运动训练,生理生化监控、和竞争裁判系统(见图1)。对于传感器的研究应用在体能训练,Billiet等人进行了实验之前人类运动加速度和能源消费之间的关系(7]。压敏电阻multiaxis加速度传感装置用于记录的运动加速度的身体,如散步或跑步。和获得的加速度值之间的关系,探讨了人类运动能量消耗(8]。在促进社会信息化和智能化,体育在体育信息化取得了重大进展。Yu和潘指出,实时运动数据监测网络已成为体育信息化的核心,它可以实现快速获取数据的目的(9]。从大量的数据中提取信息,有利于运动员的科学管理,我们可以科学的运动训练管理决策。
在高尔夫中,传感器可以监测的技术动作。建筑师等人组建了陀螺仪的头,胳膊,肩膀,脊柱,髓质分析运动技术诊断的高尔夫挥杆。研究结果表明,形成的高尔夫技术定量分析系统通过使用传感器设备是可行的,可以有效地监控摇摆运动的形成(10]。
有许多种类的MEMS传感器。网球运动,我们可以完成运动数据的收集通过设计结合网球拍。传感元件,它可以记录的速度改变球拍在玩家的摇摆,测量加速度的载体,反映了速度参数在摇摆,和法官的具体位置球碰球拍,球拍的振动。陀螺仪传感部分可以记录玩家的摇摆的方向和轨迹,结合变速曲线在击球的过程中(11]。
可穿戴传感器是传感器的通用名称,可以方便地安排对人体穿着或携带。人体运动识别方法基于可穿戴传感器收集人类运动生理和其他信息通过传感器来完成人类运动的分析和识别(12,13]。它可以有效地收集培训时间和达到工艺参数没有强加限制球员的击球位置,打*的法院,这有利于训练强度的定量评价,培训体积,和运动员的生理功能。传统高速摄影可穿戴传感器无可比拟的优势。
2.2。研究乒乓球的传感器
在乒乓球教学与训练、智能传感器用于收集运动员的惯性信号和生理信号,识别swing和击球动作,记录运动强度。
中国科学技术大学的研究乒乓球运动识别的问题通过两个加速度计放在乒乓球运动员的怀抱。在特征提取阶段,研究人员使用小波变换来提取频域信息的操作和使用蚁群算法筛选功能。最后,支持向量机算法用于分类数据提取的操作特性。乒乓球动作识别系统由他可以识别攻击的三个动作,摩擦和推动,阻塞。这种方法取得了良好的效果在一个小范围的人,但其泛化能力需要改进(14]。当多个操作重叠时,该方法的识别率会显著降低。
马已经建立了一个独立的数据库大数据的无线传感器网络及时更新乒乓球比赛数据(15]。该分析系统是用来模拟乒乓球游戏,并提出了有针对性的建议。
Tabrizi等人建立了一个低成本和智能和方向的数据集来检测和评估。IMU安装在乒乓球球拍的中心。乒乓球初学者和专业的球员都是研究对象,分别和三个乒乓球专业教练参与(16]。1570年这项工作,样品收集系统的支持数据。
使用可穿戴传感器,研究人员可以获得环境、惯性,位置,和生理信号信息17,18),如图2。环境信息包括温度、湿度、光线。环境信息可以提供场景的先验信息对人类行为的认可。例如,使用光传感器,可以监测和音频预测人类行为,它可以推断出监控对象是否在某种运动状态通过检测环境光和音频水平(19,20.]。获得惯性传感器信息通常是由加速度计和陀螺仪,是研究最广泛的行动信号采集装置。惯性测量单元可用于测量的线性加速度和角速度的四肢在三维空间中,比如跑步或者下降。可穿戴设备定位的需求越来越大,这是用来推断一个人的行为。生理信号包括心跳、呼吸速率、心电图。Silvano等人给生理信号来判断人类活动和行为,使用五个三轴加速度传感器和心率检测器来检测人类行为,并将心率检测器的数据作为辅助评价指标的分类,从而有效地减少了误分类率的行动(21]。
信号的识别和评估收集的传感器、机器学习算法,如决策树、支持向量机、神经网络,是重要的技术(22),和PCA常被用来减少收集信号数据的维数(23]。
3所示。乒乓球教学训练和评估基于加速度传感器
对乒乓球教学与训练基于可穿戴传感器,收集到的信号数据需求的组合特征提取和分类算法。根据硬件设备,识别行为,建立和应用场景,理论支持框架。系统框架有一些相似之处,包括数据收集、噪声消除、特征提取、训练分类器,和行动的认可。其中,直接在可穿戴传感器完成信号集合。
3.1。信号预处理
可穿戴传感器收集的原始数据,在数据处理阶段,我们应该尽可能地消除各种噪声数据和保留原始数据的特征点或尽可能扩大一些必要的特征点。
滤波是一种常用的低通道信号处理方法及其数学原理如下(24]。
在哪里表示三个方向的加速度 。
3.2。特征提取
特征提取的运动加速度信号是一个非常重要的步骤在信号识别的过程。找到潜在的行动加速度信号的特点和使用此功能区别于其他信号。特征提取合理与否起着重要的作用在操作的实现加速度信号识别系统。
动作信号包括物理特性和人体运动学特征(25]。其中,选择行为的特征属性是否正确与否将直接影响到分类器的识别精度和实时性能。当提取物理特性、功率谱分析、小波变换和快速傅里叶变换。当提取运动特征,平均值,熵,矢量值。
3.3。训练分类器
预处理后提取的特性,这些特性用于训练分类。机器学习是一种常用的识别和检测技术在乒乓球教学与训练的评估和运动状态的识别,例如,随机森林,支持向量机,逻辑回归和神经网络。在这篇文章中,支持向量机作为训练和测试算法。工作流是显示在图3。
当使用运动可穿戴传感器采集的数据训练和测试支持向量机,分类器学习训练集训练的运动员,包括物理信号、生理信号和加速度。因此,线性、乙状结肠和RBF核函数的选择分类器。然后,使用测试集测试分类器的准确性的评价运动员的运动状态。
当训练SVM分类器,支持向量机建立了超平面段不同类别的样本。当样本之间的距离和双方的飞机更大,该模型具有较强的耐样本噪声(26,27]。歧视的定义模型公式所示(2)。
在这个时候,最大时间间隔和约束表示为
解决支持向量机模型的优化问题时,步骤如下:(1)以铰链损失为损失函数,构造拉格朗日函数和转化 通过使用强对偶性方便的解决方案(2)计算参数的偏导数 获得优化的功能 (3)从步骤2,我们可以得到的关系 ,让学生通过迭代计算 ,找到最优平面sv和完整解决方案的优化问题
如图498年120次的训练,右手运动和75年的左手动作是公认的,和平均心率为96。左和右的手的运动包括摩擦、攻击和推动。当线性、乙状结肠和RBF的内核函数作为分类器,动作识别的精度可以达到0.86,0.79,和0.82,分别。
4所示。结论
本文初步梳理的开发过程和类型的智能传感器和传感器的应用研究在体育产业,尤其是乒乓球。它进一步详细解释了如何使用可穿戴传感器收集的数据信号乒乓球训练,过程数据信号的特点,识别和评估的帮助下运动状态分类器。虽然可穿戴传感器实现了高精度的识别方法在某些行动识别任务,仍有许多问题有待解决,如传感器的数量和位置,小规模的不平衡样本,识别算法的泛化。这也是未来的研究方向进行。
数据可用性
本文中使用的数据集可从相应的作者。
的利益冲突
作者宣称没有利益冲突的这方面的工作。