武术训练预测模型基于大数据和MEMS传感器

文摘

在武术教学和体育训练,准确捕捉和分析武术运动员的姿势有利于准确判断运动姿势,以及纠正体育运动目标的方式,进一步提高武术运动员的性能和降低物理伤害。MEMS传感器的制造水平继续提高,和地位对装配对象的感知越来越丰富和准确。形状很小,可以穿,可以不断地收集和数据没有障碍。价格相对较低,隐私保护强,优点是清晰和突出。相当数量的技术人员选择使用MEMS传感器作为人类行为的主要工具检测数据收集。因此,本文设计多个MEMS惯性传感器组成一个人体下肢捕捉设备,及其核心组件是由加速度计、陀螺仪和磁强计。为了使获得的加速度值,角速度值,和磁强计值准确反映下肢的运动状态的结构,不同的数据融合算法和磁强计椭球拟合标定算法研究,实现每个连接点的姿态角的计算并获得武术姿势大数据。此外,通过大数据分析,本文设计一个武术训练性能和受伤的风险预测模型,可以对武术教学任务提供指导和建议。

1。介绍

在武术教学和体育训练,准确捕捉和分析武术运动员的姿势有利于准确判断运动姿势,以及纠正体育运动目标的方式,进一步提高武术运动员的性能和降低物理伤害。目前,人体运动姿态捕获技术主要是基于三种方法:视觉图像(1- - - - - -4),肌信号(5- - - - - -7),和可穿戴的惯性传感器(8- - - - - -10]。其中,人体动作捕捉技术基于可穿戴的惯性传感器具有直接性、可靠性和适用性强。

主流的人体动作捕捉系统是光学和MEMS惯性传感器(11]。光学运动捕捉系统是目前最权威的运动捕捉方法。它捕获范围宽、响应速度快,数据延迟小。它可以实现实时捕获的行动。然而,光学采集系统工作的数据处理过程包括识别、跟踪和协调计算。计算工作量相对较大,相关设备是昂贵的,光学条件要求,动作捕捉的影响处于闭塞状态很差。MEMS-type惯性传感器动作捕捉分析设备可以克服不足的问题测试精度光学系统的光线暗的环境和运动阻塞状态,设备成本低,测试精度高,响应速度快,有利于实时动作捕捉。与此同时,它可以支持并行捕获多个对象的运动状态。

近年来,“大数据”的概念已逐渐吸引了注意力。它的定义起源于大规模数据的爆炸在信息时代,它被定义为相关的技术发展和创新。武术(12,13)是一个最新的体育项目应用大数据的概念。在当今高度发达的专业活动,随着科学技术的进步和设备的更新,可以收集的数据越来越丰富,不仅为观众。它提供的可能性,深入理解顶级武术运动员的高超的技巧,还提供了数据支持武术运动员竞争提高他们的竞争能力和制定培训计划。

因此,本文设计多个MEMS惯性传感器组成一个人体下肢捕捉设备,及其核心组件是由加速度计、陀螺仪和磁强计。为了使获得的加速度值,角速度值,和磁强计值准确反映下肢的运动状态的结构,不同的数据融合算法和磁强计椭球拟合标定算法研究,实现每个连接点的姿态角的计算并获得武术姿势大数据。此外,通过大数据分析,本文设计一种武术训练性能和受伤的风险预测模型,可以对武术教学任务提供指导和建议。以下是本文的主要贡献点:(我)针对武术运动态势的分析,本文设计多个MEMS惯性传感器组成一个人类下肢捕获设备。其核心组件是由加速度计、陀螺仪和磁强计。为了使获得的加速度值,角速度值,和磁强计值准确反映下肢的运动状态的结构,不同的数据融合算法和磁强计椭球拟合和校准算法研究,并计算每个连接点的姿态角。(2)针对武术训练性能和受伤的风险预测,提出了一种大数据分析方法和设计支持向量回归模型来实现更准确的预测。(3)本文还进行了模拟实验。实验结果表明,该算法可以有效地提高武术训练性能预测的准确性和受伤的风险预测。

本文的其余部分组织如下2简要描述了研究的背景。部分3描述了该研究的方法论。实验工作完成部分4,本文的结论部分5。

2。背景

有一个可穿戴的惯性传感器产品在市场上,如图1,但它的缺点是大尺寸,麻烦穿。一些学者修复加速度传感器对人体运动的一部分,实现测量5个常见的人体运动姿势。然而,使用加速度传感器的灵敏度不够高识别微妙的动作。运动员所穿的加速度计是测量运动员的运动姿势,从而识别高风险运动伤害的事件在游戏中,但频率抽样范围的加速度计需要改进,和捕获更多的快速变化的运动是有限的。人体姿态捕获的过程中,加速度计也需要体积小的特点,低功耗,易于磨损。因此,研究MEMS加速度计(14,15)具有高灵敏度和高频率响应具有重要意义对人类身体的姿态捕获。

2.1。MEMS惯性传感器

微机电系统(MEMS)技术的出现导致了一个巨大的革命武术姿势测量技术,使武术姿势测量在低成本的方向发展,低功耗、小型化。MEMS加速度计和MEMS陀螺仪通常称为惯性测量单元,用于测量和分析对象的姿势[16]。摘要MEMS传感器是用来分析武术运动员的步态特征。为了提高测量精度,基于MEMS加速度计的使用和MEMS陀螺仪,磁力计介绍正确的姿态参数,如加速度和角速度从测试来获得进一步改善步态参数的准确性。获取和步态特征分析提供有力的实验数据支持。的工作原理、结构特点和使用MEMS加速度计的MEMS陀螺仪,MEMS磁力计介绍如下。在此基础上,一个传感器系统选择适用于本研究动作捕捉。

2.1.1。MEMS陀螺仪

根据不同的组件,陀螺仪可分为机械陀螺仪(16),光纤陀螺仪(17)、激光陀螺仪(18),MEMS陀螺仪,等等。机械陀螺仪是一种机械装置,利用载体的振动所产生的陀螺力矩测量角运动。它有极高要求的处理技术,结构非常复杂,精度在许多方面受到限制。光纤陀螺(FOG)使用萨尼亚克效应方向的变化,从而实现机械陀螺仪的功能。其工作原理是基于光干扰,具有灵敏度高、稳定、可靠运行。激光陀螺仪的原理是利用光学振荡器作为光学循环,和它的特点是结构简单,使用寿命长。MEMS陀螺仪是一种微机电陀螺仪,它指的是一种技术,使用硅为衬底micron-level处理。它通常使用的原则的角速度传感器的振动对象。MEMS陀螺仪具有低功耗的特点,体积小,成本低,安装方便,大规模生产。因此,被广泛应用于低端市场。 Various gyroscopes are shown in Figure2。由于高成本和大量的机械陀螺仪,光纤陀螺仪,和激光陀螺仪,他们不适合人类穿的。因此,本文选择MEMS陀螺仪是惯性测量单元的设备之一。然而,大多数MEMS陀螺仪的特点,高噪音和严重的漂移。为了弥补这个缺点,本文利用加速度计和磁力计来补偿陀螺测量精度的态度,这是本文的研究重点之一。本文提供的角速度陀螺仪与加速度和磁值用于数据融合计算姿态角;另一方面,角速度作为监测信号零速度判断和作为多传感器信号的特征层融合。

2.1.2。MEMS加速度计

与MEMS加速度传感器技术的不断发展和成熟,MEMS加速度传感器具有灵敏度高、体积小、低价格已经应用于电子消费产品,如手机、智能手表,和笔记本电脑。MEMS加速度计主要用于测量载体的加速度。承运人可以获得速度通过集成加速度,和承运人位移可以通过整合。与陀螺仪,加速度计具有良好的静态稳定性,而陀螺仪有很好的动态稳定,导致相对不可靠的数据。加速度计只能精确测量线性加速度时的态度是可以忽略的静止或运动时,陀螺仪的方位更新时将受到漂移的影响,和磁强计的数据很容易被周围的磁场。因此,本文选择加速度计作为惯性测量单元设备。一方面,它是用来测量人体加速度值的关键节点并获得相应的静态信息。另一方面,它也可以用来纠正陀螺仪的漂移误差和磁强计实现人体。

2.2。支持向量机

支持向量机(SVM) [19)于1964年提出。其理论基础是结构风险最小化的原则。在那之后,许多学者研究了支持向量机解决方案的方法。1992年,波沙et al。20.)研究和提出了一个块算法求解支持向量机,分解原始解决方案的问题转化为一系列的子问题进行优化和降低计算求解的困难。1997年,Osuna [21)提出了一种分解算法的使用来解决支持向量机。同时确保子问题保持不变,需要优化的变量称为工作集,和其他非职业组变量保持不变。问题的缺陷太大大小的算法。2000年,Mangasarian和Musicant [22]介绍了平滑函数SVM算法解决方案,改变了原约束问题转化为无约束问题,然后使用牛顿迭代法来解决这个问题。Mangasarian和Musicant23)也提出了拉格朗日SVM算法,收敛并使用隐式线性拉格朗日公式LSVM的迭代公式,这是更方便实现。尽管学者和研究人员已经做了大量研究支持向量机求解算法,取得了良好的效果,设计更有效的解决支持向量机算法对支持向量机的应用和发展,这仍然是一个值得研究的方向。

3所示。方法

3.1。武术运动捕捉设备基于MEMS惯性传感器单元

传感器单元的主要芯片构建本文采用TDK iim - 46230,和它的输出参数包括加速度值,角速度值,和磁力载体的价值,满足的态度匹配算法的研究。传感器包结构如图3和惯性传感器的参数指标如表所示1。

惯性传感器单元,陀螺的主要性能指标包括测量范围、分辨率、零偏差,和零偏置稳定性。陀螺仪的零偏置是一个重要的参数,所以只有零偏置输出测试。加速度计测试主要措施的模值XYZ轴,和模数值应该等于当地的重力加速度在休息的时候。磁力仪的测量措施XYZ轴的弹性模量。将惯性传感器的环境中没有1小时的磁场干扰,并收集其角速度输出数据,加速度和磁力。

3.2。武术姿势构成基于MEMS惯性传感器的分析系统

武术运动员的姿势分析系统主要由惯性传感器,数据转发路由器和电脑终端。构图的形式被称为人体传感器网络(bn)。具体地说,它是指以人为中心的集成智能传感器、生物医药、机电一体化、数据采集预处理、多传感器数据融合、人工智能、无线通信、和其他形式的多学科知识,实现各种人体运动数据的收集和融合。

计算。7惯性传感器的武术运动员的下肢作为整个系统的数据采集层。这七个传感器分别绑定到脚背,右脚背,左小腿,小腿,左腿,右腿,人体各个部分收集的胯部。加速度、角速度和磁场的磁场值,如图所示4(一)。惯性传感器的传输速率是60赫兹,室内的传输距离是40米,室外传输距离是110米,工作时间是10小时。网络数据转发路由器转发层,和惯性传感器的数据是通过路由器转发到计算机终端的2.4 G无线转发的形式。路由器的数据转发层如图4 (b)。多个惯性传感器收集的数据的数据转发路由器是通过USB电缆连接到计算机终端。惯性传感器数据融合,下肢的姿势配件、步态参数的计算,以及各种算法的研究本文模拟计算终端都完成,如图4(c)。

人类的传感器网络的武术运动员的步态分析系统分为三个层次,即数据采集层、数据传输层,和数据融合计算层,如图5。

3.3。支持向量回归预测模型

武术训练性能和受伤的风险预测问题包含大量复杂的特性,数据的维数很高,和机器支持向量回归(SVR)模型是一种常用的模型处理高维数据,用于大规模复杂数据的问题将会有很好的鲁棒性和准确性。支持向量回归模型的核心是支持向量机(SVM),将高维数据映射到一个线性空间线性回归和分类。

支持向量机是一种两级分类模型,定义了线性分类器的特征空间的最大时间间隔。介绍了核函数时,支持向量机可以解决非线性问题。支持向量机的主要思想是找到一个最优超平面的特征空间完全独立的正负样本,如图6。

对一个给定的训练数据集特征空间, 在哪里 , , 代表了 - - - - - -th特征向量,的类标签吗 。该模型可以表示为下面的凸二次规划问题: 在哪里是一个松弛变量, 被称为一个点球参数,通常由实际情况决定。一个大的价值意味着一个大处罚错误分类,和一个小的价值意味着一个小惩罚错误分类。最小化目标函数(方程(2)包含两个含义:1) 尽可能小;也就是说,最大化的间隔。(2)点尽可能小,分类错误的数量是一个参数,这两个和解。

上述方程代表一个凸二次规划问题,所以解决方案对世行的存在;它可以证明的解决方案是独特的,但解决的b并不是唯一的,解决b在一个时间间隔。为了解决凸二次规划问题,方程(2)- (4)可以转化为相应的对偶问题: 在哪里拉格朗日乘子和吗 的内积吗和 。最优解决方案和最初的问题可以表示为

因此,分离超平面可以表示为

分类决策函数可以表示为

在武术训练性能和受伤的风险预测,真正的价值是直接输出:

4所示。实验

4.1。实验环境

实验的硬件平台和软件模拟环境摘要如表所示2。

4.2。AUC评估标准

武术运动员的训练受伤的风险预测是一个典型的two-classification问题。很难合理地反映处理大规模数据分类模型的影响使用等传统评价方法的准确性。两分的问题,首先设置一个阈值根据预测结果。当估计价值高于阈值,这意味着点击;否则,它意味着没有点击。对于一个具体的例子,预测效果可以反映出四种类型的表3。

对于整个测试集,训练受伤的风险预测结果的武术运动员通常所描述的ROC曲线。玻璃钢是曲线的横坐标,表明风险记录分为预测报告,见公式(10);纵坐标TPR,这意味着风险记录正确分配给预测报告,见公式(11)。在正常情况下,TPR值大于玻璃钢价值;否则,它意味着预测结果逆转。AUC值用于表示曲线下的面积,这是一个重要的测量指数的预测结果的评价武术运动员的训练受伤。值越高,预测效果越好。此外,AUC的价值是0.5和1之间在正常情况下,和ROC曲线是凸的,如图7。

4.3。实验结果和分析

摘要训练集随机采样的数据集是10000,和测试集是3000。三个基本模型被用来预测武术训练性能和受伤的风险,和AUC值和训练时间作为评价指标探讨逻辑回归模型的优点和缺点。

本文比较了三种基本模式。特征提取的模型实验如表所示4,“f_Sparse”是一类稀疏的特性,“p_CTR”是历史的点击率特性,“相似”是相似的功能,“Pos”位置特性和“W2V”这个词向量特性。的情况下,朴素贝叶斯模型的先验概率是0,实验使用+一个平滑处理。实验预测AUC和培训时间如表所示4。

实验表明,朴素贝叶斯模型的预测效果明显不如那些逻辑回归模型和支持向量回归模型。不仅是AUC值低,而且训练时间是最长的。原因可能是一个假设的先验概率估计基于训练数据,以及某些特性之间的相关性,虽然朴素贝叶斯的火车模型基于功能独立的假设。此外,AUC值略低于逻辑回归模型预测的支持向量回归模型,训练时间较长。支持向量回归模型可以捕捉关键样本训练集,并使用它们作为支持向量,使得模型非常健壮。

5。结论

准确的捕捉和分析武术运动员的姿势在武术教学和体育训练有利于准确判断运动姿势,以及有针对性地调整体育运动进一步精炼武术运动员的性能和降低物理伤害。提高预测精度的武术运动员的训练受伤的风险,减少物理伤害,本文设计多个MEMS惯性传感器组成一个人体下肢捕捉设备,及其核心组件是由加速度计、陀螺仪和磁力计。为了使获得的加速度值,角速度值,和磁强计值准确反映下肢的运动状态的结构,不同的数据融合算法和磁强计椭球拟合标定算法研究,实现每个连接点的姿态角的计算并获得武术姿势大数据。此外,通过大数据分析,本文设计一种武术训练性能和受伤的风险预测模型,可以对武术教学任务提供指导和建议。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

引用

1. l .张x, x, l .太阳,w . Cai和x宁,”手指静脉图像增强基于引导tri-gaussian过滤器,”ASP交易模式识别和智能系统,1卷,不。1,17-23,2021页。视图:出版商的网站|谷歌学术搜索
2. w·蔡b . Liu z, m·李和j .菅直人“TARDB-Net: triple-attention引导残余密集的高光谱图像分类和BiLSTM网络,”多媒体工具和应用程序,卷80,不。7篇文章ID 11291 2021。视图:出版商的网站|谷歌学术搜索
3. w x Ning, y . Wang, l . i,梁和w·蔡“仿生覆盖学习方法基于同源连续性原则,“ASP交易模式识别和智能系统,1卷,不。1,9到16,2021页。视图:出版商的网站|谷歌学术搜索
4. s x x Ning, Wang徐et al .,”一个审查的研究公司培训、并发性和计算:实践和经验,“生物工程的应用32卷,文章ID e6276, 2021。视图:出版商的网站|谷歌学术搜索
5. h·苏s e . Ovur x周,w . Qi, g . Ferrigno和e . De Momi“深度视觉引导手势识别使用突变信号,”先进的机器人,34卷,不。15日,第997 - 985页,2020年。视图:出版商的网站|谷歌学术搜索
6. d . Buongiorno g . d . Cascarano i . De Feudis et al .,“深度学习处理突变信号:taxonomy-based调查,“Neurocomputing2020年出版社。视图:出版商的网站|谷歌学术搜索
7. Sapienza, p . m . Ros d·a·f·古兹曼et al .,“在线事件驱动的手势识别基于表面突变信号,”学报2018年IEEE国际研讨会(ISCAS)电路和系统IEEE,佛罗伦萨,意大利,2018年5月。视图:谷歌学术搜索
8. 诉Camomilla,大肠Bergamini、美国Fantozzi和g . Vannozzi”趋势支持攷虑使用可穿戴的惯性传感器的运动性能评估:系统回顾,“传感器,18卷,不。3,p。873年,2018年。视图:出版商的网站|谷歌学术搜索
9. a . Ancillao s特德斯科j·巴顿,b . O 'Flynn“间接测量地面的反作用力和力矩通过可穿戴的惯性传感器:系统回顾,“传感器,18卷,不。8,2564年,页2018。视图:出版商的网站|谷歌学术搜索
10. n . m .郭z . Wang, z,, t,“基于熵权的多传感器multiclassifier分层融合模型对于人类活动识别使用可穿戴的惯性传感器,”IEEE人机系统卷,49号1,第111 - 105页,2018。视图:谷歌学术搜索
11. z曹国伟,f . Pu、y阴、b·汉和x陈,“实时研究当地降雨量预测基于MEMS传感器,”杂志上的传感器卷,2018篇文章ID 6184713、9页,2018。视图:出版商的网站|谷歌学术搜索
12. r·a·法比奥和g . e . Towey”认知和人格因素的定期练习武术,”《运动医学与身体健康,卷。58岁的没有。6,933 - 943年,2017页。视图:出版商的网站|谷歌学术搜索
13. l . Podrigalo s Iermakov诉Potop et al .,“psycho-physiological反应不同的灵巧运动员的特殊方面,练习武术,”体育教育和体育杂志》上,17卷,第526 - 519页,2017年。视图:出版商的网站|谷歌学术搜索
14. 美国Łuczak、r . Grepl和m . Bodnicki“选择倾斜测量MEMS加速度计的”杂志上的传感器卷,2017篇文章ID 9796146, 2017。视图:出版商的网站|谷歌学术搜索
15. m . Varanis a·席尔瓦,a·梅瑞尔,r . Pederiva”MEMS加速度计的机械振动分析:与应用,全面审查”巴西社会的《机械科学与工程,40卷,不。11日,队,2018页。视图:出版商的网站|谷歌学术搜索
16. l . g .帕加尼l . Guerinoni l . Falorni p . Fedeli和g . Langfelder”调查的陀螺仪漂移机电阶段2μrad /√赫兹决议和12μ在rad / K的准确性。《2020年IEEE国际研讨会上惯性传感器和系统(惯性)IEEE,广岛,日本,2020年3月。视图:出版商的网站|谷歌学术搜索
17. 吴·g·a·桑德斯l . k . Strandjord j . et al .,“紧凑的谐振腔光纤陀螺仪的发展,”《2017年IEEE国际研讨会上惯性传感器和系统(惯性),IEEE,考艾岛,美国,2017年3月,你好。视图:谷歌学术搜索
18. 公元Di Virgilio n . Beverini g . Carelli d . Ciampini f .扶桑和e . Maccioni”分析环形激光陀螺仪包括激光动力学”,欧洲物理期刊C,卷79,不。7日,1 - 8,2019页。视图:出版商的网站|谷歌学术搜索
19. w·s·高贵,“什么是支持向量机?”自然生物技术,24卷,不。12日,第1567 - 1565页,2006年。视图:谷歌学术搜索
20. b·e·波沙i m·盖恩,v . n . Vapnik“训练分类器算法最优利润,”学报》第五届研讨会上计算学习理论美国宾夕法尼亚州,匹兹堡,1992年7月。视图:谷歌学术搜索
21. e·e·Osuna“支持向量机:训练和应用程序,”麻省理工学院,剑桥,妈,美国,1998年,博士论文。视图:谷歌学术搜索
22. o . l . Mangasarian和d . r . Musicant”,积极支持向量机分类,”《第13次国际会议上少量的神经信息处理系统美国马剑桥,麻省理工学院出版社,2000年4月。视图:谷歌学术搜索
23. o . l . Mangasarian和d . r . Musicant,”拉格朗日支持向量机”,机器学习研究杂志》上1卷,第177 - 161页,2001年。视图:谷歌学术搜索

版权

版权©2021 Shisen李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。