文摘
羽毛球是一项运动相对微妙和复杂的技术动作,这是在中国广受欢迎。为了研究的具体影响体育游戏教学方法和传统教学方法三个方面的羽毛球技术掌握水平,学习兴趣水平,和主观经验,参考的无线网络上的学生和Kinect的学生,在三个月组教学的学生没有基础医学院在这个城市里,翻倍的羽毛球动作分解和羽毛球动作检测通过WiFi和Kinect,比较传统教学方法与本文之前教训,得出了结论。研究结果发现,基于无线网络通信和Kinect badminton-assisted教学可以达到良好的结果。学生的学习效率明显高于传统的教学方法,和基于无线网络通信和Kinect的羽毛球教学能有效地提高学生的学习兴趣,24%高于传统方法。这表明无线网络通信和Kinect技术能够在羽毛球教学中发挥着重要的作用。
1。介绍
随着教学改革的不断深入发展在我的国家的大学,各种硬件和软件条件的持续改进,和网络教学的发展,有越来越多的方法为学生获取知识(1,2]。它也是多通道。当前教学改革的困难也越来越常见为了提高体育教学的质量。近年来,我国羽毛球产业的迅速发展和高校先后开设了羽毛球课程,但教学效果并不令人满意。羽毛球是一项看似简单的运动。有很多他的技术动作,他们是复杂和微妙。他们很难迅速掌握类的学生没有基础。还有一个拥挤的实践空间最常见类,大量的类的学生,每周只有一个类来教。教师的短缺也大大加重了其教学由于这些教学时间和空间的局限性。因此迫切需要提高羽毛球教学的高校和科研机构。
基于无线网络通信,Kinect羽毛球教学中可以发挥重要作用[3,4]。Kinect是一个3 d传感器相机,这依赖于相机记录三维空间中玩家的运动。用户可以与虚拟环境中的对象在一个接近自然的方式,以便参与者与虚拟环境进行交互。近年来,无线通信和Kinect技术已经改变了从信息领域的热点多学科之间的竞争。Kinect-related主题和术语一直在许多领域关注的焦点。Kinect技术是非常重要的教育理论的发展和进步。Kinect的最大特点是参与者的存在。与传统的多媒体教学相比,学生不再只是被动的接受者,Kinect参与者的两个方面和虚拟环境交互作为一个整体,使学生从被动转变为主动,鼓励学生独立探索,改变传统的学习模式。“教学促进学习”是指学生学习知识通过与虚拟环境的交互。
对羽毛球教学中,许多国内外专家研究过它。Mehmood等人提出了一种节能容错方案改善WBAN的可靠性。该方案采用协同通信和网络编码策略以减少信道损伤和体积淡入淡出效果,从而减少后续的失败,比特误码率和能源消耗。从结果可以看到,该方案减少了能源消耗,延迟和误比特率,从而提高吞吐量和可靠性WBAN [5]。Mehmood等人提出了一个基于信任的沟通计划,以确保WBAN的可靠性和隐私。为了确保可靠性,采用协同通信方法,为了保护隐私,采用加密机制。该方案的性能评估使用MATLAB模拟器。输出的结果表明,该方案提高了服务交付率、可靠性和信任,同时减少平均延迟(6]。康等人分析了多媒体仿真平台在羽毛球教学中的应用。结果表明,多媒体技术只是一个辅助方法,不能取代传统教学方法。为了获得良好的教学效果,多媒体技术应该与传统教学方法相结合7]。教学方法,不同的研究者有不同的方法。杨获得40人通过有目的抽样技术。样本处理8次,每周3次。羽毛球技术测试的数据收集技术使用的数据分析技术 - - - - - -测试。研究的结果有重大影响的实现分布式实践学习模型利用视听媒体提高羽毛球的基本技术技能的学生(8]。为了研究最好的羽毛球教学中,先前的研究的基础上,Kamaruddin等人介绍了神经网络,连接网络的智能学习,实验设计应用程序,然后进行数据分析。研究结果表明,使用智能手机的移动学习教学方法,实验组学生技术动作、理论知识、学习兴趣和学习热情比对照组高出20% (9]。小王介绍了羽毛球教学的教学经验的基础上,重要的教学方法,旨在克服的局限性体育只基于技术进步和身体健康的学校环境。羽毛球的实践提高当地体育文化的批判性反思,让学生把自己的中心通过对话教育过程,意识到有问题的社会背景更可能(10]。为了确定民主训练的影响风格对羽毛球运动员的比赛策略,Araujo等人评估民主训练他们的比赛策略的有效性。结果表明,民主党指导风格基于声望具有积极的影响球员在比赛中竞争战略。最后,它是发现,民主指导风格有一个更大的影响玩家的游戏策略。这些数据将会增加大学和部门之间设置羽毛球项目,最终更成功的追逐能力(11]。这些研究对于本文有一定的指导作用,但也有某些问题在这项研究中,如实验样品和时间不足,导致无法让人信服的结果。
摘要一个新的创新点是,我们已经建立了一个羽毛球运动从无线网络通信和Kinect动作数据库。无线网络通信和Kinect,我们使学生羽毛球运动动作,比较羽毛球动作标准动作,Kinect设备是无创性的硬mass-oriented运动指出的缺点传统的行动基于直接比较的比较方法,提出了一个基于无线网络通信和Kinect动作比较方法(12]。
2。基本的羽毛球运动的辅助教学方法
2.1。无线网络通信
网络和通信技术的快速发展,人民对无线通信的需求变得越来越高(13,14]。同时,最长的短程无线通信技术使用蓝牙,无线区域网络,和红外数据传输技术。和也有一些低带宽的无线技术标准与利用能力,如无线个域网、高带宽、GPS /短程无线通信,和专用的无线系统。都有自己的基本的特性或符合特定的手臂在传输速度上,远处看,功耗和关注功能可伸缩性、会议或引入特定需求的差异化竞争在一些单独的应用程序中使用服务(15]。羽毛球运动是由传感器和Kinect,确保运动的标准。结果如图1:
传输过程中信号从发射机到接收机,它必须经过各种复杂的传输路径。由于不同的地形和障碍物的存在,反射等现象,将发生衍射,衍射。由于多路径效应(16),由接收机接收到的信号不是一个单一的信号而组成的一个复合信号入射波从不同的路径17,18]。此外,信号还伴随着传播过程中的衰减。自传入的一波又一波的到达时间不同的路径是不同的(19),接收信号的相位也是不同的。信号的波形振幅遵循的原则同相、反相叠加和减毒。适当的修改。频率选择性衰落一般的性质,所以它不仅影响信号振幅也会导致频率跨导,从而限制的背景带宽波形。在发射器和接收器之间的相对位置变化,生成多普勒效应,使得接收器收到的信号从发射机发出的信号不同的价值。在这种情况下,接收和接收发射机之间存在的差异。两者的区别因此被称为多普勒频移(20.]。
本文设计的无线网络采用无线个域网技术、无线个域网技术是主要介绍和其他技术是没有介绍。无线个域网来自一群蜜蜂跳舞锯齿形的形状告诉其他蜜蜂花粉的位置和其他信息来达到相互沟通的目的,所以被称为新一代的无线通信技术(21,22]。对于嵌入式设备,高值和相对复杂的协议栈不合适。与蓝牙技术相比,更大的主要网络使用无线个域网技术的优势。蓝牙技术只能有一个微微网中从属单元最多,而无线个域网网络包括一个网络节点(23]。不同的技术参数如表所示1。
无线个域网技术具有低功耗、低成本、大网络容量和灵活的频段。尽管通信速率相对较慢,badminton-assisted训练的通信数据量只有一个字节/秒,可完全满足系统的需要。无线个域网技术可以支持网络操作,但它占用硬件资源相对较少24,25]。通过一个全面的比较与其他短距离无线通信技术,在资源有限的系统对干扰更敏感,如羽毛球教学,更适合使用这种技术作为无线通信方法(26]。
无线个域网芯片架构的芯片主要用于数据包处理和用于接收和处理由PHY射频信号。随着无线个域网系统架构(27),由于其低传输速率的简单的数据处理,它只需要一个简单的一些处理程序在主机端在一个系统的结构,使芯片单元为一个芯片,未来无线个域网处理器芯片将被整合28]。无线个域网芯片结构如图2。
2.2。Kinect
Kinect是一个3 d运动摄像机可以记录运动。当前材料用于捕获人类运动告别以往传统相机,和各种家庭体育的相机已经开发(29日,30.]。尽管当前动作捕捉系统不同,使用相似或完全不同的原则,他们都可以分为两类:过滤运动记录系统和非侵入性动作捕捉系统(31日]。
医学运动捕捉设备开始作为一种捕获人类运动。这种设备通常是光或中等体重,这是通过电缆连接到计算机,和收集到的电磁波、超声波或交通数据下载后数据计算(32]。中介设备相对简单的原则和容易使用。由于其侵入性的性质,然而,更严格的穿孔器,这些设备不适合记录复杂的移动(33]。
不干扰延迟出现的动作捕捉设备也是当前动作捕捉的基本方法。一般来说,演员只需要一些高度反光的迹象或穿紧身裤,所以对表演者的影响很小34]。与侵入性装置相比,非侵入式设备往往更昂贵和不准确的。随着高精度相机的发展,非侵入式设备的准确性已经抵消但这样的系统是相对昂贵35]。
在E3上微软最初宣布的2009年6月的“NatalProject”,一个3 d体细胞(身体意识到)相机为Xbox 360即时动作捕捉,图像识别,麦克风输入,语音识别和社会互动能力。此外,出生的是一个3 d躯体感觉相机提供即时动作捕捉,图像识别,麦克风输入,语音意识,和社区互动,提供计算机的能力理解人们的肢体语言36]。同时,它使“人机交互”自然、有趣,丰富,呈现出“人机利益”的概念更成功。
尽管Kinect设备于2010年11月正式启动,其学术研究和应用开发WindowsKinectSDK只是迟了2011年6月,但Kinect的出现引起了研究人员的注意,应用程序开发人员37]。在过去的一年中,相关的研究和开发基于Kinect涌现像雨后的竹笋。有些人甚至破解Kinect的沟通方法来获取更多的内部数据。然而,Kinect并没有被允许进入中国大陆市场。Kinect总共有三个摄像头:镜头前是RGB颜色的中间,左右是红外发射器和红外CMOS摄像头,分别。数组麦克风系统集成Kinect机身底部的语音识别。此外,Kinect也配备重点跟踪技术和基本运动将遵循重点对象的运动。Kinect组织如图3。
Kinect能够拥有强大的深度图像采集和运动数据捕获功能,主要是因为内置的躯体感觉检测设备PrimeSensor由以色列PrimeSense公司开发和传感器芯片PS1080;这两个硬件设备依靠光编码(LightCoding)技术来捕获当前场景的深度信息。所谓的光编码技术是指使用连续光(近红外)编码测量空间,然后读取编码光通过传感器,然后解码芯片操作生成一个图像的深度信息。
光编码技术的关键是激光散斑。当激光冲击的对象或经过磨砂玻璃,它将形成随机反射点,称为光斑点。耻辱具有高度的随机性,其模式将改变距离。在任何两个位置的点在空间会有不同的模式,相当于增加一个指向整个扫描空间,所以任何对象都可以准确地记录对象的位置,当它进入空间和波动的空间(38,39]。所谓编码空间的测量是指使用激光来创建这个职位。Kinect使用红外发射一种人眼不可见的激光。通过网格在镜头面前,也叫做扩散器,激光是均匀分布,将测量区域,然后,每个位置的区域由红外摄像机记录,最后,与深度图像信息计算晶片。
该平台集成了运动数据收集和Kinect控制功能,主要实现的功能KinectSDK提供的接口。一个标准的Kinect动作数据收集过程如图4。
Kinect是打开时,团队将检测当前机器上使用Kinect设备的数量,然后将所有Kinect设备和找到一个就绪状态,初始化后,我们将进入复苏周期和运动数据采集的数据和算法处理阶段。
2.3。动作数据采集和图像处理
这项工作的一个关键方面是为人类构建一个中间表示层区域。这中间表示层的问题转化为一个很容易解决的问题使用有效的分类器算法。这个地区是在静脉中定义的映射,重定向到不同的皮肤在呈现不同的特点。宽度这些人体区域的图像和标记数据时从分类器。
为了对像素进行分类在图像 ,需要反复计算表达式从根节点,确定是否采取左分支或右分支与阈值比较结果。每个决策树的叶节点存储学习人体区域的分布
我们定义了一个密度评价函数为每个机构地区:
世界坐标系中的三维坐标,是图像中像素的总数,是像素的重量,图像像素的搬迁协调吗在世界坐标系中根据给定的深度,但每个学习领域的宽度。像素的重量是基于人体区域像素的可能性和世界面积的像素位于
为了描述四肢的运动,需要记录每一帧的肢体的相对姿态运动数据。因为肢体的运动基本上是由关节的旋转,纯粹的位移运动是不常见的。因此,姿势变化在四肢的运动可以描述angle-axis姿态描述方法。
假设的方向向量的右臂和 - - - - - -轴方向向量的上半身根坐标系统是 ,这是规定,初始时间和方向都是相同的;在任何时候,右手臂的姿势可以表示为
因此,
开车的一般方法联合旋转角速度
其中,是目标关节角,是当前的关节角,比例因子,是模拟的周期长度,是角速度计算。
为了获得更好的边缘的计算,确定了适应度函数根据最大的类间方差的概念方法和公式如下:
其中,是阈值,适应度函数,节点的数量小于阈值,然后呢节点的数量大于阈值。生成一个随机数的间隔,并选择相对应的个人随机数所属的地区。
在哪里可能的值的设置吗当另一个是已知的,条件熵是用来测量剩余离散随机变量的不确定性 。这是定义如下:
该算法通常如下:
从这,我们可以看到
当接近零,使用以下微分方程说明变化:
我们通常采用以下公式进行:
二次性能指标如下
如果两个或两个以上的标准样品和他们的特征值都是一样的和相应的类别也相同,这意味着两个或两个以上的样品是一致的;否则,这意味着他们是不一致的。
自定义的数据是基于它分布符合的前提下,然后,进行培训和分析根据假设的分布模型。因此,学习功能的分布数据根据能量模型可以解决上述问题。之后,
其中,是参数模型,可见层单元的偏见,隐层单元的偏见,是连接可见层和隐层之间的重量。联合概率分布,可以根据获得的能量函数如下: 在哪里代表了标准化因素联合概率的计算。似然函数解决了通过特定的计算可以表示为
根据隐层单元的状态,获得可见层单元的公式反过来
具体的解决方案函数的算法是使用对比散度算法,和具体的解决方案过程将在结合具体描述如下应用程序。
3所示。辅助教学实验和基本的羽毛球运动的结果
3.1。学生信息
教学实验前测试无线网络通信和Kinect-assisted效应应用到教学方法的可选的一般大学羽毛球课,正手高中风和轮返回技术测试,和独立样本的影响 - - - - - -测试是由SPSS分析后表明,技术评估和一致性成绩实验班和控制集团的正手高队和预选的反手技术升值和一致性的分数并没有表现出显著差异。教学实验( )。在这个时候,实验类和控制类指标具有可比性,为接下来的实验奠定了基础,确保实验的便利。实验前的学生指标如表所示2:
一个正手后场区域的终点线附近的一个球,和前处理用来传递球回到对方的前场区域(靠近前线服务和之间的净行)靠近角落的副业。pod适合的飞行轨迹球越过净后迅速下降。结合高在后场球可以有效地调动对手,主要进攻技术在后场。
表中可以看到3之间的比较,实验后,控制类和实验类正手技术评估得分 ,表明两者之间有显著差异。因为的平均得分是7.94杆实验类的评价高于平均得分为6.97分的正手叶评估控制类,它表明教学录像的帮助是有益的。提高学生的正手讲台分数。尽管实验班的平均分数7.14正手高于控制类的平均得分是7.03,实验类和控制类的比较正手得分 ,所以两者之间不存在显著差异,表明无线通信和Kinect教学艾滋病对羽毛球lob的性能没有显著影响。
一记正手旨在对手在后场和中场击球。试图击球尽可能高。使用正手控球从上到下在对手的法院。主击中球。粉碎技术最大的打击力,最快的速度和最大的力量和进攻得分的重要手段。
表中可以看到4实验结束后,正手在实验班的平均分数是7.76比正手在控制类的平均得分,6.69,正手在实验班的平均得分是8.64。控制类的正手得分的平均值是7.27,和比较的正手技术评估分数的两类和标准分数的比较 ,表示两个类的技术评估分数的正手和正手得分。有显著差异的成就标准,所以无线网络通信和Kinect-assisted教学有助于提高羽毛球正手技术的性能评价和正手的成就目标。
统计学生的基本物理条件,如图5。
可以看出,学生在实验之前有类似的物理功能,无论之间的指标身高、体重、运动能力相似的水平,表明取得了较好的效果在选择学生。
3.2。培训过程
我们培养学生实验小组无线网络通信和Kinect。首先,他们通过无线网络通信和Kinect训练学习和分析学生的运动,如图6。
这个实验的培训内容主要分为三个部分:介绍羽毛球、体能训练羽毛球,羽毛球的基本技术培训。其中,无线网络通信和Kinect辅助训练主要是用于羽毛球的基本技术培训和其他两个培训内容的实验。有组和对照组之间无显著差异。
在训练开始前,学生和家长咨询通过课堂调查或问卷调查了解羽毛球实验对象的学习经验,并进一步观察和筛选的学生进行学习经验来确定现有的学习水平。不会干扰实验结果,经验和调查结果如表所示5。
可以看出,大多数学生没有羽毛球学习经验,这也表明,在学习小组,学习的两组的定位符合羽毛球学习者和同质性。调查学生对羽毛球的兴趣,统计结果如图所示7。
图中可以看到7实验组和对照组对羽毛球训练,有更高的热情并没有强制培训。没有显著差异在羽毛球训练中实验组和对照组之间的利益。
3.3。实验结果的比较
我们教不同的学生群体为3个月,然后比较了两组之间的羽毛球参数之间的区别。变化的技术对照组实验组在图所示8。
图中可以看到8,无论实验组和对照组,前后测试数据的平均值培训已经显著提高,方差通常是减少,以及统计分析值小于0.01,这是一个重大区别训练之前和之后的数据。这表明学员的体能训练前后已经显著提高;无论是传统的训练方法和训练方法,它结合了无线网络通信和Kinect,训练效果已经实现。我们的体质测试数据统计分析后的实验组和对照组实验中,如图9。
实验后,实验组和对照组的测试数据略高于对照组,但差距较小(小于5%)。在独立的 - - - - - -测试,价值观的四个测试数据都大于0.05,表明之间没有显著差异的测试数据实验组和对照组。
我们调查的两组实验对象对他们对羽毛球的兴趣的教学三个月后。调查结果如图所示10。
小组教学的三个月后,它遵循图10,实验组应用本文的方法,对羽毛球的学习兴趣占90%以上,而在传统的教学方法,学生们花费大量的对羽毛球的兴趣仅占约66%,以上的方法本文24个百分点,这也表明,羽毛球在无线网络通信与Kinect的教学比传统的方法更能引起学生的信心。
4所示。讨论
调查发现,大多数学员都积极的兴趣基于无线网络通信和Kinect,羽毛球运动的培养自信,羽毛球训练的效果。对羽毛球培训学员的热情都得到很大的提高。的进步,期待着在这种环境下培训和学习的机会。当然,由于无线网络通信和Kinect的问题不容忽视。一些学生不能接受或适应这种训练方法。尝试找到解决方案,使无线网络通信和Kinect接受每个人。
随着新技术的出现,确实有一定的困难,对于那些不是很熟练的或者没有接触它。不可能说没有困难。在沟通和Kinect的无线网络学习平台,它不仅是加载,新技术的使用。由于无线网络与Kinect交流学习环境,教师不仅需要准备课堂上的教学内容,教师还需要继续参与学生的学习阶段后,他们应该准备好解决学生的问题下课后,而对于学生,它提供了无缝的学习机会。
一项新技术的出现总是充满争议。无线网络通信的应用程序和Kinect的移动学习羽毛球教学课堂通过实验比较和分析。尽管新教学方法有利于刺激学生学习的积极性和主动性,它改变了传统的“教学”模式由教师和学生“学”的。教师之间的交互、学生和同学带来了更紧密的关系,但它需要更多的人的合作与支持。
尽管学生有一定程度的自我控制能力和一定的能力约束自己,有时候,自然喜欢玩仍暴露和老师交给的任务可能被遗忘。这需要老师来设置和参与评价在实施过程中,形成一个评价充分调动学生的参与。
5。结论
本文主要研究了运动人体运动数据的建模方法被Kinect和建立一个人类骨骼模型基于Kinect动作数据,并使用运动学模型和运动捕获数据驱动人类活动。基于本文提出的运动模型,运动评估方法提出了基于相似度的比较。算法引入行动评估,不同长度的运动数据是一致的在时间轴上,然后,计算距离作为相似性的评价指标两组的行为。它弥补了传统的欧氏距离的缺点测量nonequal长度数据的相似性,可以客观地评价行为。而人类运动的复杂性和可变性使它不切实际的常见的数学模型来描述他们,没有保证不同的人会执行相同的运动数据;但是,同样的动作总是有类似的特征。分析和分类获得人体运动数据和运动特征,并确定执行的类型的运动是本文的下一个研究焦点。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。