文摘
足球是一项产品在人类社会化的过程;它可以加强身体和增强团队合作的能力。人工智能的引入到足球训练是一个必然趋势;必须必然会加剧这一趋势,但如何应用人工智能解决问题关节运动估计方法的足球运动员在运动训练仍然是现在的主要困难。足球训练动作模式识别的基本原理是确定类型的足球运动员的动作处理和分析运动传感器所获得的信息。由于复杂的运动对足球运动员和多变的外部环境,仍有许多动作识别的问题。专注于不同的运动模式的详细分类,本文进行研究的识别联合足球运动员在运动训练的运动估计方法。本文使用了基于多层决策树识别器的识别算法来识别关节运动;本文中使用的实验表明,该方法准确确定联合足球运动员在体育运动训练。
1。介绍
足球运动模式识别是一种新兴的人机交互方法。根据估算方法,足球行动模式估计可以分为应用估计技术,tactile-based估计技术,传感器估计技术。在这些技术中,足球运动估计是建立完整的足球运动模式的分类和评估通过分析活动目标的图像或视频1,2]。虽然这种方法的技术相对成熟,测试环境有更严格的要求,比如好光和没有对象移动目标和视频传感器。Tactile-based运动模式识别限制了形式多样的活动目标和活动需要一个相对高成本的触摸屏设备。与上述两种方法相比,基于传感器足球关节运动估计只需要测试人员穿一个紧凑的传感器,它几乎没有限制的运动范围和不被外部环境。这些明显的优势使传感器估计方法获得越来越多的关注。
近年来,微机电系统的技术越来越成熟;他们的尺寸变得更小,更便宜;他们的敏感性增加。目前,微电机系统广泛应用于移动设备、游戏机、和其他产品,给用户一个全新的人机交互体验和卓越的用户体验。在微机电系统、惯性测量单元(imu)内置三轴陀螺仪和三维加速度传感器可以同时获得的角速度和加速度测量物体在三维空间中,从而丰富和全面的数据源。这提供了一个强大的数据保证传感器识别和识别足球运动员训练的联合行动。
总结了本文的主要贡献如下。(我)我们使用基于多层决策树识别器的识别算法来识别关节运动。(2)我们使用Weka生成传统SVM分类器和传统决策树识别器。
剩下的论文结构如下。部分2介绍了基于数据预处理的卡尔曼滤波算法。节3、数据特征提取和选择是介绍和分析。部分4介绍了基于单一决策树标识符识别算法,提出了基于多层决策树识别器的识别算法。实验结果发表在部分5,最后一节6本文总结道。
2。基于数据预处理的卡尔曼滤波算法
2.1。卡尔曼滤波算法
在1960年代,卡尔曼首次提出的卡尔曼滤波器3,4),可根据系统状态最优估计系统状态方程和一系列的测量变量与零值和含有噪声,从而达到降噪的目的和过滤。卡尔曼滤波算法是一种快速、高效的递归估计算法。它的基本计算原理是获取当前状态的估计价值通过当前状态的测量值和先前的估计价值状态。递归估计算法具有少量的计算,更少的内存,和清晰的步骤;卡尔曼滤波器非常适用于实时数据处理(5),目前广泛用于许多领域,如通信、模式识别、导航和自动控制。使用卡尔曼滤波器估计状态变量离散时间过程,可以描述下列差分方程:
其中,系统的状态变量,代表了系统时间,意味着在时刻系统状态变量 , 是状态转移矩阵,获得系统的输入吗 ,和是激励噪声矩阵。系统被定义为观测变量 ,和系统的测量方程定义如下:
其中,代表获得状态变量对测量变量的时间和是观测噪声矩阵。随机信号和分别代表激励过程噪声和观测噪声;假设他们是相互独立的,正态分布的白噪声可以获得如下:
卡尔曼滤波算法有三个假设(6,7]:首先,当前状态是一个线性函数之前的状态和系统输入,或可以叠加高斯噪声;然后,状态变量的测量值必须是一个状态变量的线性函数叠加了高斯噪声;最后,系统的初始状态分布是高斯分布。
五个核心下面方程给出了卡尔曼滤波算法。这五个方程可分为时间更新方程(也称为预测函数)和测量更新方程(也称为校准功能)。其中,时间更新方程计算先验估计的值在当前时刻(时间 )根据状态估计的状态变量以前的时候(时间 );综合测量更新方程计算先验估计的价值和当前时刻的测量值来获得后验估计当前时刻的价值。
时间更新方程定义如下:
状态更新方程定义如下:
的核心步骤卡尔曼滤波算法来估计系统的当前状态通过预测值和测量值:方程(4)通过后验估计价值以前的状态和系统输入获取先验估计的值当前的状态;方程(5)获得先验方差估计协议 。在方程(6),卡尔曼滤波增益矩阵可以通过一个公式,中间计算结果的过滤。方程(7)是用于获得后验估计的价值当前的状态,这也被认为是一个卡尔曼滤波器算法的核心步骤。最后,计算后的协方差当前状态的下一轮迭代。
例如,估计姿态角的足球运动员在训练中运行时,角速度传感器设备可用于实时测量和计算。但是考虑到噪声和干扰对系统的影响,测量值不准确,所以真正的结果不能完全依赖于传感器收集的结果。因为任何系统状态满足物理定律应该是连续的,卡尔曼滤波可以预测状态,目前基于前一时刻的估计值。至于结果偏向是否测量值或估计价值,它是由 ,“卡尔曼增益”,根据测量值计算和先验估计的协方差。
影响卡尔曼滤波结果的变量主要包括初始状态 ,初始状态协方差 ,状态转移矩阵 ,激发过程噪声协方差 ,和测量噪声协方差 。其中,初始状态变量的值和初始方差矩阵对过滤结果影响甚微,因为无论他们的价值观是什么,可以快速收敛的结果。因此,本文关注的三个因素 , ,和 。
2.1.1。状态转移矩阵
状态转移矩阵描述了系统状态的转换时间状态的时间 。系统转移矩阵可以估计未来时刻系统的状态。状态转换矩阵可能是已知或未知。
当转换系统是线性的,如匀加速运动,在这个时候,状态转换矩阵是一个线性矩阵。然而,如果估计过程或观察到的变量和过程之间的关系是非线性的,系统不满足的前提下,卡尔曼滤波。在这种情况下,我们可以考虑使用扩展卡尔曼滤波(EKF),它使用雅可比矩阵线性化的期望和方差,因此卡尔曼滤波的应用可以扩展到非线性系统。但是卡尔曼滤波器包括泰勒级数的扩张,所以系统计算的数量将会增加。
当系统过渡是不确定,移动目标的运动方程通常是未知的,所以无法确定状态转移矩阵。此时,解决问题通常需要替代的方法,如使用其他预测算法来取代状态转移矩阵,如基于灰色预测跟踪卡尔曼滤波方法,或使用卡尔曼滤波器的组合多种已知的混合预测模型,如互动multimodel方法等等。
2.1.2。激发过程噪声协方差
过程激励噪声是叠加噪声组件的系统状态变量在状态转换过程。这是高斯白噪声与0均值和协方差 。
对于一些稳定的过程,可以认为系统的价值是肯定的。此时,只需要调整滤波器的系数通过实验为了获得一个更好的过滤效果。确定状态转换时,值应该是尽可能小,以保证滤波器的收敛更快,减少对状态变量的影响。
2.1.3。测量噪声协方差
测量噪声协方差值相关的仪器和一个已知条件过滤器。如果该值R太大或太小,不利于最终的过滤效果,值越小R,收敛越快。首先,计算合适的R通过实验值,然后使用这个值来参与卡尔曼滤波器。
2.2。数据预处理的关节运动信号足球运动员在运动训练
由于复杂多变的实验环境中,传感器采集的数据不可避免地包含缺失数据和噪声组件(8,9]。如果这些干扰因素处理不当,模式识别的准确性和效率将大大降低。因此,一系列必须对原始数据进行预处理操作。
基于人体运动信号的数据预处理模块主要包括以下四个部分:删除原始数据的零值,数据标准化、卡尔曼滤波器和数据窗口。
各种运动的足球运动员在短时间内连续。判断联合足球运动员的运动训练,有必要通过分析法官在一段时间内的数据信号,并有必要执行窗口处理。一般来说,足球运动员关节运动的持续时间大约是2 s。因此,在本文中每个窗口的长度是2。semi-overlapping滑动窗口方法用于把数据。每个窗口的长度是2秒。每个窗口的数据处理单元是40。
3所示。数据特征提取和选择
收集的信息主要是三轴加速度传感器模块和三轴角速度数据信息,可以表示为 和 ,分别以减少复杂的多维加速度和角速度信号的计算,和传感器的坐标系统和自然坐标系。两者之间的实时转换之间的计算,本文使用相应的标量,合成加速度信号的振幅值,和合成角速度信号的振幅值;具体计算公式如下:
其中, 代表的加速度信号 , ,和三轴方向随时间变化; 代表的角速度信号 , ,和三轴方向随时间变化。
角速度信号之间的协方差,标准差和协方差的定义如下:
其中,表示数据点的数量在一个活动窗口,和代表了合成加速度和合成角速度在某个时间点,分别和 ,分别代表的平均价值合成加速度和合成角速度在一个滑动窗口。
合成加速度的值的足球运动员在关节运动训练将继续改变。最大振幅的点在一个滑动窗口是峰值。高峰值表示的强度锻炼。峰值越大,越激烈的运动。相反,在滑动窗口中振幅值越小槽,槽值越小也可以显示信号强度越强。标准差代表了在一段时间内的信号偏差程度;协方差代表之间的关系变化的加速度信号和角速度的变化信号。
4所示。基于决策树的识别算法标识符
近年来,模式识别方面发挥了越来越重要的作用在人工智能领域;取得了许多重要成果。模式识别是一种认知能力。决策树的目标标识符是监督学习和找到一组特征向量在一个给定的数据集来描述所有元素;每个元素可以表示为一组相互排斥的特征向量(10]。换句话说,它的目标是区分一组来自不同特征向量的元素通过一个特定的映射关系模型,形成决策树标识符,这种映射关系可以应用于未知样本进行分类。
4.1。基于单一决策树标识符识别算法
决策树算法的关键问题是选择相应的节点的特征向量和决策树的修剪11]。当使用决策树模型未知样本进行分类,从根节点开始,逐步识别它们根据相应的功能属性,进一步识别它们根据对应的识别结果,直到他们到达叶节点。决策树算法的特征向量是基于信息增益率的值。
决策树的目的估计方法是选择信息增益率最大的属性为一组特征向量进行测试。
为了防止过度拟合建立决策树和训练样本和提高识别精度和未知类的分类精度,需要对决策树修剪(12]。修剪是最不可靠的分支通常删除通过统计方法来提高整个系统的效率和分类的准确性。
2/3的收集到的数据作为训练样本导入Weka环境,并使用生成的决策树C4.5决策树估计,并使用1/3的数据作为样本进行测试来确定并验证其准确性。实验结果表明,准确率达到了95.185%,但该算法更加复杂。总共有15个叶子节点,并且许多特征向量是重复使用。生成的决策树如图1。
在图1(最低)代表的低谷值复合加速度振幅值;(max)代表复合加速度的峰值振幅值;(std)代表复合加速度幅值的标准偏差;W (min)代表复合角速度的值振幅值;W (max)代表合成角速度的峰值振幅值;W (std)代表的标准差合成角速度振幅值;conv代表加速度和角速度之间的协方差。
4.2。基于多层决策树标识符识别算法
的能源消耗数据采集器在足球联合运动识别是有限的,所以有必要降低系统的能耗,而会议系统的能源消耗。系统的能源消耗主要需要考虑两个方面:传感器数据采集终端和运动识别终端。传感器数据采集终端的能源消耗的能源消费主要包括传感器收集数据,发送数据的能量消耗,和基本的能源消耗。前两个因素的能源消耗占80%以上。消耗的能量传感器终端主要由三个方面:数据接收、数据处理和识别算法。因此,减少了传输和处理一个传感器的数据也会减少系统能耗。
中八种运动研究在这篇文章中,我们可以把他们分为三类:静态的,缓慢的运动,和剧烈运动。的静态运动足球运动员可以区别于其他运动加速度的任何特征向量数据信息或角速度数据信息。缓慢的运动主要包括快走,慢跑,和杂耍;剧烈运动包括传递、捕获、处理和射击。
通过Weka的相应的数据分析,可以得到,缓慢的行动和暴力行动可以区分峰值、谷值合成角速度和合成角速度的标准差。当合成角速度的标准差来区分固定从其他动作和射击,然后槽角速度的值是用来区分静态和慢跑,和识别率为98.44%。
通过分析足球运动员的运动训练,众所周知,足球运动员的平均花费超过70%的时间在静态和慢跑状态训练。如果这两个运动识别算法的复杂性降低,减少传感器数据的应用,然后系统的能源消耗和复杂性会减少,所以识别器算法提出了基于一个两层的决策树。
具体实现步骤如下。首先,提取数据的陀螺仪传感器,找到合成角速度的振幅值,计算槽值,峰值,和标准偏差的合成角速度振幅值,并使用一级决策树识别器识别静止和走路,包括其他操作;如果它是静止的,步行,识别结束;否则,加速度传感器提取的数据;加速度幅值计算,和峰值,槽值,标准差,和协方差的加速度和角速度,和第二层识别用于设备执行第二个详细的识别。
4.3。一级决策树识别器
为了保证系统的准确性,同时降低系统的能耗,本文希望实现这一目标通过减少加速度传感器数据的传输和系统算法的复杂性。通过实验分析,常见的人体静态和缓慢的步行可以区分角速度传感器的数据特点,以及决策树识别器容易移动的便携式终端用于识别。图2是一个生成的决策树识别器Weka峰值的基础上合成角速度,槽的合成角速度值,标准差的合成角速度。其识别精度达到98.44%。
4.4。第二级决策树识别器
如果足球运动员没有在静态或慢慢地在训练中,很难达到准确识别由于复杂的运动,只有依靠单个加速度的时域特征信号或角速度信号的时域特征。因此,有必要进一步提取加速度传感器的数据。第二轮中使用的特征向量识别包括合成加速度信号的峰值,底部的合成加速度信号,合成加速度信号的标准差,加速度和角速度之间的协方差。使用的识别器还容易实现且复杂。决策树识别器较低和良好的实时性能。图3展示了一代的二级决策树在Weka。
在图3W (max)的最大值合成角速度(std)是合成加速度的方差(13,14),(max)是合成的峰值加速度,(min)是合成加速度的谷值,和conv合成加速度的总和。通过一些相应的特征向量,其他操作,一级识别器不能准确识别的进一步认可。具体地说,它可以识别快走,慢跑,和杂耍迟到运动和通过,在剧烈运动捕获,解决,射击。
通过对仿真结果的分析,第二级决策树的识别器的准确性为94.17%。从两个决策树生成的计算,可以看出这两个决策树9叶节点,和常见的静态和行走状态只需要通过第一个决策树,并使用一个陀螺仪。
5。实验设计和结果分析
5.1。数据提取
为了训练一个有效的识别器,大量的不同类型的关节运动数据信息是必要的,但没有完整的包含各种足球运动员关节运动数据信息的数据库。因此,本研究需要收集大量不同的关节运动数据信息不同的实验者先训练识别器和验证的准确性识别器(15]。
的佩戴位置传感器数据采集终端将直接影响识别的准确性。为不同的穿着相同位置的运动传感器,收集传感器数据会有很大的差异。足球运动员穿运动传感器的理想位置是脚,腰,胸部等。
穿着关节上的传感器的优势足球运动员的脚是更敏感的脚关节运动数据的收集和更敏感的一些动作,用脚;缺点是由于灵敏度高,它将带来更多的干扰信息,稳定并不是很强,穿着舒适度很差。
本文中使用的传感器模块是MPU6050模块(包括加速度传感器和陀螺仪传感器)。收集数据之前,需要设置传感器的规模。加速度传感器和陀螺仪传感器的范围设置和 ,和频率是20 Hz。
5.2。关节运动识别算法的实现和分析的结果
在收集大量的关节运动数据,需要我和处理相应的数据。为了处理数据更专业,本研究采用特殊数据处理和挖掘软件Weka [16]。
5.2.1。Weka
为了更好地利用传感器收集的数据,我们使用知识的怀卡托环境分析(怀卡托环境知识分析,Weka)软件处理和分析数据。Weka是一个开源和免费的数据挖掘平台基于JAVA环境。它是一个收集的大量数据挖掘,机器学习方法。这包括大量的数据预处理、分类、回归、聚类、协会和其他规则。
Weka的主界面主要包括六部分,和六个部分也对应相应的功能模块:(1)数据预处理:相应处理的噪声数据(2)分类:关于培训和测试分类方法(3)集群:学习集群从训练数据(4)从训练数据相关性:学习相关的关联规则(5)特征选择:选择数据相关属性(6)可视化:查看相关数据的关联规则
为了比较的有效性和可靠性基于两层决策树识别器的识别算法提出了,我们使用Weka生成传统SVM分类器(17)和传统决策树识别器来分析每个识别的性能。
5.2.2。贝叶斯分类器
根据贝叶斯分类器的实现原理,本文使用2/3的收集传感器数据训练贝叶斯识别器(18,19),剩下的1/3的传感器数据用于验证的准确性和影响生成的识别器。贝叶斯分类器的识别率识别器是93.44%,但其算法更加复杂。其中,剧烈的识别率,诱捕,解决,相对较低。
5.2.3。支持向量机分类器
根据支持向量机的识别器的原则,2/3的传感器收集的数据在本研究用于训练支持向量机的识别器,剩下的1/3的传感器数据用于测试生成的识别器的精度和效果。由于有限的系统特征向量选择和训练样本有限,其识别精度仅为89.38%,这是低一些更复杂的运动。
5.2.4。比较不同识别器的影响
传统的决策树识别器和两层上面详细介绍了决策树识别器。系数的加权平均系数的加权平均每个类别的重量是实际的类别的比例。通过比较系数的分类器,它可以发现,基于两层决策树识别器识别效果比较理想,它比一个简单的贝叶斯网络和支持向量机识别器;从算法的复杂性和训练时间,可以看出,前者也远优于后者;结合足球运动员的运动习惯和算法,前者需要收集不到后者两个,所以它的系统能耗将相应减少。
5.3。结果与讨论
本文使用的研究对象是20位年轻男性足球运动员,2球员在一组,分成十组,年龄在18岁和26岁身高155厘米到180厘米不等。
方法:收集训练集的方法与上述方法相同。足球运动员的静态模拟八个行动,散步,慢跑,杂耍,通过,诱捕,解决,射击。每个动作需要重复5次上传数据到个人电脑。从表1,识别率在95%以上。
验证过程是在20个实验重做这八个动作是否存在假阳性。
与其他识别器相比,识别率的基于多层决策树识别器的识别算法提出了比别人高,如图4。
从实验结果可以看出,误警率(即一个行动理解为另一个动作)很低;误警率最高的是最有力的解决和照片,和假警报可以直接关闭。因此,系统在本研究中也应遵循这一原则。一般来说,足球运动员的关节运动识别算法训练研究了满足系统的目标和需求。
6。结论
本文深入分析现有的模式识别系统,分析了足球运动员在训练的关节运动数据,并提出了一种基于多层决策树识别器的识别算法。提取数据首先,找到合成角速度的振幅值,计算峰值,波谷值和标准偏差的合成角速度振幅值,并使用一级决策树识别器识别静止,散步,以及其他操作;如果它是静止的,步行,识别结束;否则,数据提取加速度传感器,加速度幅值计算,槽值,峰值,标准差,和协方差的加速度和角速度,和第二层识别用于设备执行第二个详细识别通过实验来验证系统可以满足关节运动估计的需要足球运动员的训练。传感器模块,用于收集数据信息的加速度传感器和角速度传感器在八种运动不同的足球运动员和分析关节运动通过提取相应的特征向量。在未来,我们还将考虑各种复杂关节运动更好地协助运动训练。
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。