文摘
为了避免伤害造成的不正确的跑步姿势在更大程度上和减少对运动员的影响性能和身体健康,人工智能传感器的基础上,作者研究智能跑步运动姿态的准确检测。使用一种自适应人工智能传感器误差四元数无味卡尔曼滤波(DAUKF)算法设计。的态度分析和识别系统基于惯性测量单元不仅可以测量人体的运动信息,还获得运动特征数据和运动状态的人体姿态数据的分析。使用四元数误差和陀螺漂移误差建立状态方程,使用加速度计和磁强计的测量值建立观测方程,和衰退记忆方法引入自适应地调整观测噪声协方差,以减少系统的干扰检测本身和环境的态度。实验结果表明,该方法检测精度提高了态度,有效抑制漂移误差和动态观测噪声的影响,并提供了适合长跑一英尺的态度检测方案。
1。介绍
作为一个有氧健身运动,跑步是越来越受欢迎。跑步不仅可以锻炼心肺功能,增强肌肉力量,而且还连续有效的慢跑也可以扮演一个角色在减少脂肪和减肥。但据科学调查,70%的跑步者跑错了,错的跑步姿势不仅未能达到理想的健康和塑造效果但也可能给身体带来意想不到的伤害1]。目前,健身跑步,常见的方法来判断跑步姿势是否标准是得出结论的帮助下直接观察私人教练或其他专业教师,和这个方法有很多局限性,为了提供更全面和方便的跑步姿势的指导更多的跑步者。在许多长跑运动,损伤起始姿势不正确造成的运动员非常普遍,这有很大影响运动员的表现和身体健康。体育科学和技术的快速进步和科学技术的使用分析长跑的起始姿势,提高技能的长跑运动员,和避免不必要的受伤运动员最大限度,它已成为迫切要解决的主要任务领域的长跑训练。将3 d图像分析技术应用于中、长跑运动员的训练,它已逐渐成为一种广泛使用的核心技术。人体识别流程如图1。处理器和内存与处理器,处理器可以处理骨点位置坐标存储在内存中,根据数据的实际情况,计算一个或多个个体的变化,选择位置坐标参数的值,判断活动状态的活动状态根据选定的特征,并完成一个或多个人类活动的识别在人机交互。三维图像分析技术有积极的促进作用的分析准确性,协调,和运动员技术动作的有效性。然而,当使用传统的三维图像分析方法正确的姿势开始长跑,合理匹配阈值起始姿势的长跑者不能得到,这使得长跑的起始姿势校正的实现陷入瓶颈,它吸引了许多专家和学者的注意2]。目前,有许多研究开始姿势基于图像分析的长跑者,以及一些相关的研究也取得了一定的结果。姿态角计算模块是系统的核心模块,其主要内容是计算算法,态度和态度分析和识别的目的是建立多个节点之间的关系;所以,这是非常重要的获取每个联合节点的姿态角。重要的。考虑到嵌入式软件和硬件系统的性能和惯性传感器组件的系统,计算算法用于该系统的态度是梯度下降算法。人工智能传感器的发展越来越集成和精确,辅以的结合物联网技术和互联网5 g通信技术,包括各种人工智能设备之间的合作,传感器硬件和控制软件,可实现实时、动态的数据和信息控制的可靠性。人工智能传感器在不同行业的应用将极大地创新传统的制造业,生活,和生活方法,提高工业和农业的经济效益,满足多元化的信息技术社会发展的需求。nine-axis传感器的数据融合的梯度下降算法,并且每个传感器优势互补,克服了单个传感器的缺点,使它适合系统的硬件系统,然后获得一个更精确的姿态角的解决方案(3]。UKF结合无味转换和标准卡尔曼滤波器,这是基于状态量的统计特征近似,而卡尔曼滤波器,在某种程度上,避免了EKF算法的线性化,雅可比矩阵的复杂的计算过程,和可能的滤波器发散。
本文研究基于AI智能运行姿态的准确检测传感器。一种自适应误差四元的跟踪卡尔曼滤波器(DAUKF)算法设计。状态方程建立的使用四元数误差和陀螺漂移误差和观测方程使用加速度计和磁强计,介绍了衰退记忆方法自适应地调整观测噪声协方差减少干扰的检测系统本身和环境的态度。
2。文献综述
对于这个研究问题,路斯等人提出了一个图像分析基于一种改进的高斯混合模型,修正的方法开始长跑者的姿态。方法首先建立之间的连接区域的像素并生成一个高斯模型开始长跑运动员的姿态图像和目标前景检测运动员的姿势开始,并在此基础上,开始长跑者的姿态校正完成。这种方法更简单;然而,有一个问题的方法的局限性(4]。Jafarnezhadgero等人集中在一个基于数组的图像分析方法纠正长跑的起始姿势。方法首先使用双边滤波器的图像降噪运动员的姿势开始,消除了非结构化稀疏组件的背景干扰,并在此基础上,长跑的起始姿势校正图像分析下完成。该方法的修正时间复杂度较低,但有一个图像匹配稳定性差的问题(5]。张等人提出了一个方法,纠正姿势开始长跑基于图像分析识别基于特定的特性。方法首先定位长跑的起始姿势,获得长跑的起始姿态特征匹配阈值,并完成起始姿势修正基于图像分析的长跑。这种方法构成校正精度高,但图像校正过程非常繁琐和耗时的6]。塔代伊等人表示,今天运动手势识别的主要方法如下:人类活动使用惯性传感器识别通过分析图像和识别。图像识别一般首先收集视频或图像信息,然后流程,火车,和分类不同的姿势图片根据图像识别算法,如神经网络(7]。Hyon等人提出,为了提高手势识别的准确性,图像识别的方法需要源特性和提高图像清晰度来获得高质量、大规模图像数据,这导致可怜的实时识别。此外,设备的精度要求也使识别贵,环境位置的识别和设备部署条件严格限制识别的灵活性,和它增加检测和识别的难度8]。Prawiro等人表示,与这相比,态度检测基于惯性传感器有效地提高图像识别方法的局限性;由于传感器的设计和制造技术的提高,精度高的优点,灵敏度高,体积小,可穿戴设备已经成为大众消费电子产品;无线通信技术的集成后,更广泛应用于体育健康、康复治疗、竞技娱乐,等。9]。丁和其他人认为,作为一个长期甚至终身锻炼,最好的状态是,每个跑步者可以选择最舒适的和适当的跑步姿势的根据自己的特点。保护自己免受伤害的基本方法是不断总结你的跑步姿势,然后提高你的跑步能力和效率。通过逐步调整和改进,培养良好的长跑习惯,受益于舒适和高效的运行10]。陈和李说,聪明的可穿戴设备的运动姿态检测技术还不成熟,只有一些设备的功能检测脚的姿势。因此,有效检测脚的姿势在运行期间,它将成为一个重要的应用领域的智能穿体育健康未来。根据关键运行方法,对于新手长跑者,发展中错误的跑步习惯很容易对身体造成不同程度的运动损伤(11]。张等人认为,传统的高精度步态分析和检测方法往往需要光学和压力传感器的帮助;因此,它主要是用于康复治疗,即使是做成一个便携式检测设备,成本高,不适合户外运动。由于其体积小,成本低,和良好的灵活性,MEMS惯性传感器目前主要用于脚姿势检测(12]。张等人表示,由于传感器本身的特点,用于检测系统噪声和环境的态度,和测量的干扰会导致检测精度下降。不同于一般的姿态检测、脚的姿态检测适合长跑会遇到更多的外部力量;所以,需要自适应调整算法对于某些定期改变脚的姿势(13]。吴等人说:如各种智能传感器作为人工智能信息采集识别传播最重要的环节,它相当于物联网的核心,通过智能传感器的组合,控制系统和控制芯片,可以实现环境中的动态信息的实时监控,并完成工业智能设备的自动化控制和管理14]。
基于当前的研究,本文研究基于AI智能运行姿态的准确检测传感器。一种自适应误差四元的跟踪卡尔曼滤波器(DAUKF)算法设计。状态方程建立的使用四元数误差和陀螺漂移误差和观测方程使用加速度计和磁强计,介绍了衰退记忆方法自适应地调整观测噪声协方差减少干扰的检测系统本身和环境的态度。
3所示。方法
UKF结合无味转换和标准卡尔曼滤波器,这是基于状态的统计特性的近似数量;与卡尔曼滤波器相比,在一定程度上,它避免了EKF算法的线性化,雅可比矩阵的复杂的计算过程,和可能的滤波器发散。一般来说,UKF算法的初始值的选择在实际过程将影响过滤效果,实际观测过程中的噪声将导致滤波精度下降,和模型误差的问题不能解决理想通过扩展协方差(15,16]。初始状态数量设置为平均值国家的数量,和协方差将如方程所示(1):
这些改进的自适应UKF算法的具体步骤:(1)无味转换:无味变换的本质是概率分布接近系统中非线性函数,获得和σ点集根据选择规则并确保选中的点集的均值和方差等于原分布(17]。作者采用选择对称规则采样,具体步骤如下:σ点采样方程所示(2):
的公式,是状态量的平均值在时间吗 ,和方差矩阵在时间吗 。
重量计算方程所示(3):
后的加权计算σ点无味转换后,下一刻的状态预测和协方差矩阵得到,如方程所示(4): (2)利用权重计算观测值估计方程所示(5): (3)自适应地调整观测噪声协方差矩阵
系统依赖于传感器本身内部的噪声,是相对稳定的。由于外部环境的影响,观测噪声很容易变化,很难估计。为了防止误差的变化发生在观察介绍,介绍了衰退记忆,更改重量根据距离观测噪声,并自适应地调整观察协方差矩阵(9]。因此,它假定序列计算观测误差协方差时重量是见方程(6):
equal-scale求和公式的递归计算和重量序列所示方程(7):
在方程(6),7相应时间的重量,因素是褪色的记忆。更大的是,更大的重量在前一时刻的计算。根据不稳定状态的观测噪声在长跑,在一定范围内的值范围淡出记忆因素需要通过实际测量(18- - - - - -20.]。更新预测协方差矩阵和观测方程所示的协方差矩阵(8):
更新后的卡尔曼滤波增益矩阵方程所示(9):
更新后的状态值和方差矩阵方程所示(10):
4所示。结果和分析
姿态估计算法的流程如图2。
在实验中,Arduino UNO发展局被选中,MPU9250被用作传感器收集nine-axis态度数据,串行端口是用于传输数据的MATLAB仿真实验(2018 b平台21]。传感器模块放置在前面的脚,误差分析是由模拟步进和提高脚的在运行,并选择一个20多岁的时间从5分钟连续过程(22]。作者提出的比较DAUKF与普通UKF算法,如图3,4和表1,当DAUKF算法是用来解决的态度,滚动角和螺距角的误差波动小于直接使用UKF算法。因此,它具有更好的识别效果的错误姿势脚长跑期间(23,24]。
外翻角指的是旋转角的地面的脚从一开始接触到骑车离开地面,着陆方法脚与地面的接触方法,和所有指标判断运行脚的姿势很重要。如表所示24组控制设置在这个实验中,和组1主要完成了登陆球脚的(前脚)根据关键运行方法,使外翻角控制在正常范围内(5°~ 250)。其余3组第一组的外翻角度变化,着陆方法,(25,26]。通过定量分析的滚动角和螺距角脚脚开始接触地面后,离开地面,它决定是否着陆方法和外翻角脚的姿势是不正常的。使用螺旋角的变化,swing的脚接触地面飞行期间运动可以描述更准确地说,一个完整的摆动周期着陆。每组实验进行了5分钟,每组的横滚和俯仰角度改变根据摆动周期来分析他们是否超过推荐的范围的关键运行方法,然后提出适当的建议为提高脚的姿势(27]。
实验结果如表所示2,使用DAUKF算法可以实现更好的识别率坏脚姿势。外翻角超过合理范围时,识别率可以达到84.1%,而当着陆方法不正确,识别率可以达到87.9%,当两者都不合理,识别率达到93.6%。
5。结论
本文提出的态度分析和基于惯性测量单元的识别系统,它不仅可以测量人体的运动信息,还获得运动特征数据和人体的运动状态分析姿态数据。研究的态度分析和识别系统具有较高的科学理论意义,商业价值,军事价值,社会价值,如舞台表演、康复医疗、特效制作、游戏互动,和运动训练,市场潜力是巨大的。基于人工智能的惯性测量技术,作者设计一个人体姿态分析和识别系统。通过这个系统,人体运动信息收集和分析和识别,和姿态计算和识别的算法研究和实现。首先,不准确的解决方案不一致造成的结果一个惯性传感器的输出与真正的价值,一个可行的校准方案应用;然后,根据系统的特点,基于梯度下降算法的计算算法的态度是为了最小化系统噪声和估计误差的影响,一种态度分析和识别方法提出了基于姿态角,和系统的可行性和性能也验证了实验。这种方法提高了态度检测精度,有效抑制漂移误差和动态观测噪声的影响,并提供一个脚态度检测方案适合长跑。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。