数据融合在无处不在的运动训练:方法与应用

文摘

我们提出一个数据fusion-based方法论支持体育训练。由教练培训计划的基础上,分析了获得的数据在每个训练。从各种传感器获得的数据通常是连接到运动员(例如,感应器或陀螺仪)。的一种技术用于处理数据originatnig来自不同来源的数据融合。运动训练中的数据融合提供了新的程序获取、过程,分析了运动训练相关的数据。验证数据融合方法的有效性,我们设计一个系统来分析网球运动员的训练。系统的主要功能是网球中风检测和分类的基础上从戴传感器收集的数据。网球中风的检测和分类可以减少一个教练的时间花在分析学员的数据。休闲玩家自学也可以使用这些功能。在该方法中,我们使用Mel-Frequency倒频谱系数,确定从加速度计数据,构建特征向量。 The data are gathered from amateur and professional athletes. We tested the quality of the designed feature vector for two different classification methods, that is, k-Nearest Neighbors and Logistic Regression. We evaluate the classifiers by applying two tests: 10-fold cross-validation and leave-one-out techniques. Our results demonstrate that data fusion-based approach can be used effectively to analyze athlete’s activities during the training.

1。介绍

需要体育成就动机研究实验室和体育俱乐部寻找更有效的训练方法。增强的新方法出现了训练方法与移动技术的发展。在过去的十年里,研究的结果应用移动技术在运动训练是令人鼓舞的。加速度计等传感器、陀螺仪或GPS接收器是最有益的部分教练和运动员使用的各种应用程序。例如,这些传感器可以监测的类型、持续时间和强度的运动员的体育活动。是有用的培训师和学员提高运动训练的有效性。一方面,运动鞋可以发送有用和及时的反馈到运动员,加强之间的联系研究和指导实践。另一方面,运动员的体育活动的监控支持更好的培训运动员的性能。

体育训练是一项复杂的任务的相关领域知识从解剖学、生物力学、生理学、心理学、教学论是必要的(1]。运动训练的目的之一就是从一个运动员或团队达到最大的性能。教练和准备培训课程应帮助运动员或团队获得最大性能在每场比赛前反复。准备充分的训练应该改善损伤预防受伤的运动员,甚至帮助康复培训(2]。

有类型的体育训练3]:身体、技术、战术和心理上的。体能训练的追求提高运动员的运动能力。关于物理变量被监控,我们应该提到加速度,耐力,速度,力量,灵活性,和疲劳指数(1,4]。技术培训的目的是获取和掌握体育技能。技术变量之间有适当的执行动作,顺序的重复动作,正确的姿势运动执行期间,和起始时间(4,5]。战术训练与体育学科的不同策略的研究。心理训练是面向提高运动员的个性。

一般来说,运动训练由规划、监控和分析。培训课程的规划考虑运动员的具体需求和条件,也就是说,信息对运动员的运动性能、形状、心理准备,技能,素质,能力,和局限性。显然,规划训练是一项复杂的任务,因为它需要考虑到长期目标,取决于不同的外部因素,即温度或营养。

运动训练的监测数据收集的过程中体育会议。最近的进步可穿戴技术允许连续监测运动员谨慎和不妨碍安慰在训练。现代可穿戴传感器可以捕捉motion-related参数,用于支持运动员的体育活动。的标准设备运动员的动作捕捉的惯性传感器,加速度计和陀螺仪,以及磁力计(4,6]。这些传感器获得越来越流行,和各种应用程序依赖于这些传感器在运动训练7- - - - - -9]。其他例子的传感器应用于运动员的体育课程是摄像机的支持。不幸的是,系统的流动组成的摄像机是有限的。此外,捕获数据的计算分析的成本非常高。

一旦收集到的数据,下一阶段的体育训练是数据分析。数据分析是运动训练中的关键步骤,必须有效地执行。原因是,在每一个训练,由各种传感器产生的大量数据可以收集。问题是有效处理巨大的体积的数据从不同的来源获得不同层次的复杂性。很明显,生理(即最新信息。、运动性能和形状)和技术(即。,skills) preparation of the athlete has a significant influence on the further training process and its outcomes. Thus, there is a need for developing the methods to fuse such data.

一些作者(10]表明,设计的一种技术来处理大量的数据融合来自不同来源的数据。数据融合技术结合了从多个来源获得的数据(一个)来提高结果的准确性和鲁棒性,(b)创建有意义的新信息,不能单独从来源获得,和(c)来提供一个完整的调查对象或过程的照片。数据融合的结果,在更复杂的分析,有助于改善决策过程。我们展示如何培训师和学员的融合可能受益于培训期间来自不同数据源的数据。

本文旨在证明数据融合方法在运动训练中。我们自主研发的系统检测和分类的网球中风(服务、反手和正手)基于加速度计的可戴传感器收集的数据。该方法可以减少时间的数据分析,帮助教练快速检索一个运动员的训练的关键元素。它还提供了洞察网球运动员为提高中风技术和整体性能。该系统还可用于休闲玩家自主学习。应用可戴传感器不需要昂贵的传感数据的设置。

工作的主要贡献是网球中风检测和识别的算法基于Mel-Frequency倒谱系数作为特征生成器。我们测试两个分类器的性能:再邻居和逻辑回归。调查建议的方法,我们也收集了15个业余选手的网球中风的1794个样本和621年样本8职业球员。

本文组织如下。在第一部分中,我们目前的数据融合技术和算法的概述和运动训练中的示例应用程序。在第二部分,提供一个更广泛的观点,我们提出并讨论原始研究结果从数据融合应用到支持网球运动员的运动训练。最后,讨论的结果,给出结论。

2。相关的工作

运动训练的监测可以被视为一种人类活动识别(HAR)的一部分。主要有两种方法解决了哈尔的问题,也就是说,通过外部或可穿戴传感器(11,12]。可以使用外部的传感器方法只有在预定义的位置,而在可穿戴传感器方法,设备被连接到用户的身体。

基于成像系统(例如,BTS生物工程,OptiTrack, Vicon)的典型例子是动作捕捉系统组成的外部传感器。不幸的是,大多数的系统都是昂贵的,他们只能在实验室环境中使用。另一种基于成像跟踪系统,也就是说,可穿戴传感器系统,已成为越来越受欢迎。可穿戴式传感器的应用在人类运动分析艾滋病在克服基于成像跟踪系统的主要缺点,即缺乏流动性。

系统能够处理运动的基本示例数据由加速度计和陀螺仪。有许多商业产品支持跟踪运动员的体育活动。例如,阿迪达斯和耐克提供的设备运行活动(13,14]。加速度计也可以用于网球运动员的技术培训9,15- - - - - -17]。在el艾哈迈迪。介绍IMU传感器方法技能评估和收购。结果表明,可以运用加速度计数据评估网球运动员的技术水平。然而,作者指出,这种方法有一定的局限性与加速度计的测量范围和采样频率。

一个传感器系统的另一个例子是在(7]。作者提出了一个方法来识别游泳中风和把他们的号码。在这项研究中,两个不同的传感器位置进行测试:一个是附加到手腕和上背的第二个话题。从加速度计由QDA融合分类器获得的数据(二次判别分析)。据报道,该方法的分类精度(蛙泳),(自由泳),(仰泳),(转)从上层back-worn传感器收集的数据。可戴传感器的分类精度大大降低。

跟踪体育活动也可以基于两个,三个或更多的传感器。有一些商业设备致力于支持运动员训练。例如,对于网球选手,可戴可穿戴设备由Indiegogo [18]和Babolat [19)提供。第一家提供主,无线动作捕捉系统为网球运动员而设计的。系统组成的三轴加速度计、三轴陀螺仪和三轴磁力计可以追踪步法,身体位置,肘部弯曲,膝盖弯曲。相反,Babolat提供智能腕带跟踪网球运动员的训练。它主要是为了跟踪网球中风。

也有一些论文研究数据融合的应用程序支持运动训练(20.- - - - - -23]。例如,康诺翰et al。21)考虑监测网球运动员的技术训练的问题。在拟议的系统中,从单一的可穿戴IMU传感器获得的数据(惯性测量单元)组成的三轴加速度计,三轴陀螺仪和三轴磁强计。传感设备被连接到该玩家的前臂。为了把测量数据,作者使用摘要分类器。分类器训练使用收集的数据来自7个球员。检测和分类的分类精度取决于数据的来源。例如,加速度计和陀螺仪的数据融合提高总体分类精度 。相反,数据的融合加速度计和磁强计提高性能和陀螺仪和磁强计 。应用数据融合的数据获得的加速度计、陀螺仪和磁力仪提高了整体性能 。

在文献[24),另一个例子,fusion-based方法支持运动训练被认为是。作者提出了一个高尔夫球挥杆的分类方法依赖于测量三轴加速度计和三轴陀螺仪的数据。收集数据融合的深度卷积神经网络(CNN)。结果相比,支持向量机(SVM)分类器。深CNN的报道总体精度从SVN是95.04%和86.79%。

我们提出,从加速度计测量获得,陀螺仪,磁力计的重要数据来源的监测运动员的活动。这些数据与视频信号的融合可以提高运动跟踪系统的整体性能。有了这个新功能,教练可以为学员提供纠正和指导。值得强调的是,添加一个摄像机的跟踪系统限制了系统的灵活性。例如,在[工作25]介绍了数据fusion-based方法将数据从IMU传感器和摄像头获得的。为了测试算法的性能,作者使用了系统检测和分类网球中风。系统由摄像机安排在实验室设置和IMU传感器连接到玩家的前臂。特性用于检测和分类网球中风从视频图像生成和IMU传感器。作者测试了两个分类器,再邻居(事例)和支持向量机(SVM)。的数据集用来训练分类器只包含样本收集的职业球员。结果表明,可以获得更好的检测和分类性能对来自多个数据源的数据。

因为它提出了文献[26)、惯性传感器也可以融合其他计量单位,例如,力传感器。作者应用收集数据来估计骑手树干提出使用扩展卡尔曼滤波。建议的方法的性能是通过室内和室外骑实验证明的。在这项研究中,五个健康的和有经验的自行车骑手(四个男性和一个女性)进行室内和室外测试。结果显示该算法相比,方法的表现估计骑手树干没有力传感器构成。此外,该算法给出了估算准确度与其他融合方法在文献中。

3所示。数据融合

3.1。数据融合的动机

运动训练的数据通过可穿戴传感器系统通常来自不同的来源。因此,建立一个完整、连贯的运动员根据收集的数据是一个具有挑战性的问题。中存在的方法来处理多源数据,我们提出一个基于数据融合的框架。数据融合提供了各种方法、技术和体系结构构建的照片感兴趣的对象(27]。

系统依赖于多个传感器,测量从每个传感器分别加工,存在一些局限性和问题(28,29日]:(我)传感器不足:失去了能力监控所需的特性(2)有限的空间范围:每个传感器都有一个有限区域的操作(3)不精确:传感器测量的精度是有限的(iv)不确定性:当传感器无法测量所需的所有功能

数据融合方法在多种感觉的系统介绍一些优势,如降低不确定性,提高测量精度,提高信噪比,和缺乏补偿特性。融合方法的显著优点是他们的独立特性和先验知识的整合能力。至关重要的是当noncommensurate数据必须结合起来。noncommensurate数据来自异构传感器(30.]。例如,数据从加速计和摄像机noncommensurate数据。

3.2。数据融合的方法

的抽象层次是数据融合的主要概念之一10),他们定义的阶段融合。在文献[10),以下三个类别的指定的抽象级别是:信号电平、功能层面,和决策水平。

3.2.1之上。信号融合算法

融合的信号电平融合通常是用来把原始信号从不同的传感器获得的。这一水平的信号都是相称的,也就是说,从传感器直接测量获得的相同的属性。例如,信号从加速度计和陀螺仪是相称的,因为它们是直接测量相同的属性,即移动物体的运动参数。

一个典型的问题在第一个层次的融合状态估计。流行的方法来解决这个问题是卡尔曼滤波器(KF)。卡尔曼滤波融合的统计方法是相称的信号依赖递归预测和更新。卡尔曼滤波的一个最常见的例子应用程序融合信号获得的加速度计和陀螺仪估计对象的态度。KF的修改是扩展卡尔曼滤波(EKF)和无味卡尔曼滤波(UKF)。这些扩展的卡尔曼滤波器通常应用于非线性问题。另一种方法应用于第一层次的抽象是粒子滤波(PF)。PF算法基于序贯蒙特卡罗技术估计条件概率密度函数的参数。

融合方法在这个级别允许得到进一步描述的对象是不可能使用现有的传感器。在图1,我们在信号电平显示数据融合的模型。

3.2.2。特征融合算法

融合第二层次是传感器提供noncommensurate数据时使用。在这个层次,我们首先确定特征向量;然后我们执行功能的融合。特征向量的高层表示对象。构造特征向量,我们生成的特性集和从最初的选择最相关的。合适的特性是由应用特征选择或特征提取方法。

生成的特性可以分组(a)时域,频域(b)和(c)时频域。在第一组中,我们描述信号的特性(例如,振幅的最大值或最小值,零交叉率、上升时间,等等),其统计数据(如平均值、标准偏差、互相关peak-to-valley,能源、峰度,熵,倾斜,等等),和分形特性。第二组主要由光谱特性(例如,谱峰,碾轧,重心,通量,和能源),傅里叶系数,功率谱密度,能量的信号。最后一组,我们有小波表示(例如,伽柏小波的特性),能量发布出去是依靠分析,和Mel-Frequency Cepstral系数(MFCC) [33]。

生成特性的数量可能很大(如傅里叶系数)。因此,它可能需要减少。我们有两种方法达到适当的特点:特征选择和特征提取。特征选择是应用于选择最合适的元素从原始集,而特征提取方法降低初始特征向量的维数。上下文中的多种感觉的系统,部件级数据融合是至关重要的由于通信带宽和能量限制。

后来,有准备的特征向量,下一步是融合的特征。一般来说,我们可以将特征融合方法分为两类:非参数和参数。经典的非参数方法的事例、支持向量机回归(LR)和人工神经网络(ANN)。

主要参数的高斯混合模型(GMM)和k - means算法的方法。在GMM,我们执行功能融合基于似然函数的值。训练高斯混合模型中,我们通常使用期望最小化的方法。k - means算法是基于距离的无监督分类方法的观察。

在图2,我们现在的特性融合的基本模型。

3.2.3。决策融合算法

执行决策级融合在最高层次的抽象。选择一个假设的过程从生成的一组假设在较低的水平。操作在这个层次上有两个主要优点:提高决策精度和节省带宽的系统工作在网络设置(34]。提高决策的质量,在某些情况下,可以应用在独特的机制将特定领域的知识和信息33]。典型的决策级融合方法包括贝叶斯推理、模糊逻辑,Dempster-Shafer理论。

我们提出的模型决策融合在图3。

3.3。一般用于数据Fusion-Based系统的架构

在一节,我们介绍的一般体系结构数据fusion-based多种感觉的系统(图4)。在拟议的架构,我们可以区分以下层:(我)数据采集层(2)数据融合层(3)数据表示层

第一层是由传感器(例如,可穿戴传感器)附着在人体或人体附近。然后,传感器数据传输(例如,无线)计算单元(如智能手机、个人电脑或云)。

该建议的体系结构的主要元素是第二层。所有相关的数据融合计算在此举行。在这一层,传输数据处理在不同的抽象级别使用前面讨论的方法。应用数据fusion-based方法允许设计系统适合用户的需求。

最后一层是专为数据表示,也就是说,可视化(如图表和图)和报告(如表)的结果。一般来说,层允许用户和系统之间的交互。

数据fusion-based系统的一般体系结构可以应用在与行业相关的问题,环境监测、医学、体育(35]。工业社区的一个众所周知的问题是状态维修。在文献[36),作者考虑了发动机故障诊断的问题。的方法也应用于机器人,例如,在导航(37)、本地化和映射38),和对象识别39]。数据融合也可以用于环境监测。例如,在[40),环境数据融合检测火山地震。在[41),收集数据是用于监视天气条件。在医学上,数据融合主要用于医学图像的分析肿瘤的位置和识别异常,和疾病。在文献[42),用于大脑诊断数据融合,在43),数据fusion-based算法应用于乳腺癌的诊断,并在44),提出了一个方法识别大脑解剖对象。

在图5,我们目前的数据融合的背景下体育训练。在第一阶段,运动训练计划,考虑到当前的运动性能、形状、心理准备、技能、素质、能力,和运动员的局限性。然后,训练监控,并收集一些数据。在第三阶段收集的数据进行分析通过应用数据融合方法。数据融合的第一级是用来获取运动员的参数不能直接测量。其中一个例子是学员的身体方向的估计的基础上,从加速度计和陀螺仪的数据(26]。另一个例子是运动员的步行速度的估计45,46]。步行速度可以通过融合估计陀螺仪和加速度计的数据,通过应用数值积分。第二级数据融合可以用来支持运动训练的noncommensurate数据。在此级别,可以检测和分类具体的体育学科的动作,例如,中风网球或者游泳或摇动高尔夫球。最后一个级别的数据融合是至少在体育训练。然而,在文献[47),作者表明,应用在第三级数据融合可以提高总体分类精度。

根据测量的数据fusion-based分析,运动训练的适应(图执行5)。运动训练的适应性可以自动或半自动地完成。在第二种情况下,运动训练的教练支持调整。可以看出fusion-based训练过程迭代性质。

4所示。材料和方法

4.1。数据收集和实验设置

在本文中,我们应用数据融合方法来监控运动训练。模型上进行实验验证该方法在会话期间收集的数据的网球训练。

为了测试该方法,我们开发的系统获取和处理测量数据。系统与可戴卵石的手表运动传感器(图6)。卵石看从三轴加速度计可以测量加速度()和磁场的强度(从三轴磁强计)。加速度传感器可以测量[G]与采样频率10 Hz, 25赫兹,50赫兹,100赫兹。

加速度计测量速度随时间的变化在一个三维空间。实测加速度信号是由重力和身体运动组件。收集的数据来自感应器附着在人体可用于识别不同的人类活动。动作识别基于测量的类型取决于传感器位置。典型的传感器的地方依恋是上肢(手臂和前臂),下肢(例如,脚踝和大腿),和腰4]。

自主研发的系统有两个主要部分:数据采集子系统和分析和推理子系统。数据采集子系统包括两个部分:第一个传输数据卵石看传感器和第二个存储数据在移动设备上(图7)。系统有助于从每个参与者记录数据,分析和管理参与者,和浏览存储的历史样本。

网球运动员的活动是衡量室内网球场。准备活动后我们从每个参与者获得测量数据;也就是说,球员们被要求执行多个服务,正手和反手击球。每个参与者戴传感器使用,卵石看在三轴,测量加速度。无线数据传输系统(图7)。

参与者被分成两组:业余爱好者和专业人士。第一组由12男3女业余网球选手。第二组由6男2女职业网球运动员。参与者被要求执行以下网球中风:正手,反手和服务。在表2,我们总结了每个样本的数量网球中风从业余和职业球员。我们现在获得的样本的数量表1。

加速度测量的样品为选定的网球中风如图8。在图9,我们说明的动作序列为中风。

4.2。方法

在本节中,我们提出一个数据fusion-based监测一个网球运动员的训练方法。该算法探测和分类网球中风基于训练期间收集的数据。它是基于系统的一般体系结构中引入数字4。在图10,我们指定该方法的主要步骤:预处理,生成和特征提取和分类。在预处理步骤中,我们删除不需要的组件高频噪声;即原始信号捕获的加速度计是通过一个低通滤波器。在提出的方法中,我们应用简单的移动平均线(SMA)算法。SMA是一个快速和简单的算法来去除多余的高频分量的测量信号。

当预处理完成后,下一步我们的方法是特征提取。我们提出一种特征提取的方法基于离散傅里叶变换(DFT)和Mel-Frequency Cepstral系数,由于设计的系统不应该允许重计算。最初,MFCC被应用于语音识别(48),但这种方法也被成功地应用于图像识别(49),情感识别(50),以及眼球运动识别(51]。MFCC-based特性有一些优势:能够代表了信号在一个紧凑的形式,低成本的决心,和基本分类器的分类精度高51]。

4.2.1。准备Mel-Frequency Cepstral系数

介绍了部分MFCC-based加速度信号特征提取算法。我们表示从加速度测量 , 。对应于样品的数量。

最初,第一阶段的MFCC算法的预修正快速衰减的补偿范围的演讲。因为加速度信号的频率较小的语音信号相比,这一步是没有必要对我们的方法(52]。

在下一步中,我们改变加速度信号从时域到频域采用离散傅里叶变换: 在哪里帧的大小和吗是汉明函数计算(53]:

然后,我们可以从下列公式确定能量谱: 在哪里过滤器和的数量吗三角形滤波器组: 在哪里边界点的过滤器。

然后,我们确定真正的频率刻度之间的映射(Hz)和感知频率刻度(mel)

最后,我们应用一个离散余弦变换(DCT)的自然对数梅尔光谱,获得Mel-Frequency Cepstral系数:

MFCC-based特征提取的流程图如图11。

4.2.2。特征提取

MFCC的维数相关特性产生的加速度数据变得非常高,我们应用主成分分析(PCA)在这方面(图10)。主成分分析是一种线性技术项目数据到一个正交低维空间,以便预测数据的方差最大化(54]。因此,我们采用PCA算法来降低高维特征的维度。

假设我们有数据集 ,在那里 ,是一个数据点的维度,是测量序列的长度。我们确定的协方差矩阵 在哪里

自是真实的,对称的,我们可以对角化矩阵 在哪里是一个真正的和酉矩阵。的对角元素的特征值 ,的列的特征向量 。我们的特征值从大到小,和 相应的特征向量。一个数据点是投影到特征向量通过

特征向量最大的特征值叫做主成分。数据的矢量方向提供了最佳的投影。同样,特征向量的集合 用于转换维空间的维空间。可以找到更多的细节在PCA方法,例如,在[54]。

4.2.3。分类

提出的方法中,我们应用两种不同的分类器融合的特性,也就是说,再邻居和逻辑回归算法。在我们的研究,我们决定比较与LR的事例,因为第一种方法不需要一个训练的过程,而第二个需要培训。选择方法也相对较低的计算成本(54- - - - - -57]。

事例是一种非参数基于距离监督分类器。该方法是有效和容易实现。分类器是基于最近的训练例子在特征空间54)和形式 在哪里表示的训练集的例子,对应的数量最近的点, 指标的设置吗最近的点在训练集 ,和指标函数。

LR是线性回归算法的泛化(58]。在这种情况下,输入的线性组合是通过一个s形的函数,高斯分布是取代了伯努利分布(58]。逻辑回归的一般公式如下: 在哪里代表伯努利分布,表示权重是乙状结肠函数。

我们采用乙状结肠激活函数的训练过程。为此,我们优化代价函数如下: 在哪里是训练的例子,是训练样本,是相应的正确的标签。我们确定LR的参数通过应用梯度下降优化方法。更多细节可以找到逻辑回归学习算法,例如,在[58]。

5。实验结果和讨论

该算法评估数据收集在网球训练。捕获的数据集包含标记的三轴加速度测量服务,反手,使用可戴传感器和正手中风,卵石看(部分4.1)。

在建议的方法的性能分析中,我们应用两个10倍交叉验证和分析方法。cross-validation-based评估技术意味着每个参与者的数据用于训练和测试阶段。分析技术旨在证明新用户的算法的性能。在我们的实验中,我们应用这种方法的一个版本,也就是说,user-independent。在这种情况下,数据提供的测试评估基于训练数据的获得是用户从其他参与者。

测量的性能建议的方法,我们应用的精度指标。它是标准的度量总结分类器的整体性能。精度指标定义如下。 在哪里正确的预测对应的数量和正确的预测总预测总数的预测。

在这项研究中,生成的特性是发电机MFCC-based特性,而主成分分析应用的方法来减少他们的数量。我们评估的性能提出了两种分类器:fusion-based方法基于事例和逻辑回归。

在接下来的部分,我们研究特征向量的大小的影响,窗口大小,MFCC-based特征向量对该方法的性能。我们也分析该算法的性能应用交叉验证和分析技术。

5.1。不同数量的特性的影响

在本节中,我们研究了不同数量的特征对分类的影响性能。为此,我们使用PCA方法提取适当的特性的集合MFCC-related特性。提取的特征进行了测试在两个分类器,也就是说,基于事例和逻辑回归。在图12,我们现在不同大小的分类器的分类性能特征向量。

图12显示了向量基于事例的最佳分类精度大小等于25的特性。同时物流回归分类器,我们得到最佳的性能特征向量的大小等于50。

5.2。窗口大小的影响

在本节中,我们讨论了角色窗口大小的分类任务的事例和逻辑回归方法。作为显示在图13,当我们增加窗口大小,我们也改善事例和逻辑回归分类器的分类性能。最优窗口大小为这两种方法都是相似的,他们都等于80个样本。当我们增加窗口的大小,分类性能降低。

5.3。MFCC-Based特性的影响

在图14,我们给出的例子MFCC-based特性获得的加速度信号从服务获得中风。部分显示的结果分析MFCC系数的影响。在图15基于事例的分类性能,我们比较和逻辑回归方法对不同大小的离散傅里叶变换的框架。基于事例的最优帧的大小等于40个样本。同时对逻辑回归,我们发现最优帧等于80个样本的大小。可以看出,进一步增加框架的大小对事例和逻辑回归降低了分类性能。在我们的研究中,我们应用框架的最佳规模提出了分类器。

在图16,我们现在的结果分析过滤器在MFCC-based发电机的数量如何变化的分类性能。最佳的过滤器事例的方法数等于16。逻辑回归的最优数量的过滤器也等于16。

5.4。分析使用交叉验证

在本节中,我们评估该方法的预测性能。为此,我们采用交叉验证技术。创造训练集和测试集,我们应用10倍交叉验证过程。在这项研究中,一个10倍交叉验证程序用于生成训练集和测试集,训练集是用来训练事例和逻辑回归算法。在测试步骤,获得类比较真实的类来衡量分类器的性能。性能分析测试分别为两个数据集。第一个数据集包含测量聚集在网球训练的业余选手。第二个数据集是基于数据从职业球员获得。

在表3性能分析的结果,我们比较两个事例和逻辑回归方法。显示,我们获得更好的结果的逻辑回归数据从业余选手在训练获得的。事例的方法有更好的性能从职业球员收集的数据集。

5.5。分析使用分析

在本节中,我们分析的性能建议的方法来预测网球中风的基础上,从一个新的球员获得的新数据。为了评估基于事例和逻辑回归分类器,我们应用了分析评价(59]。在表4,我们目前获得的结果基于数据从业余爱好者和专业球员。同样,物流为业余球员回归分类器获得更好的结果,而专业参与者基于事例的方法获得更好的结果。

6。结论

这项工作提出了数据fusion-based支持网球运动员的运动训练方法。建议的解决方案是基于频域的特性决定。我们准备数据集三个网球中风:反手,正手和服务。数据被分为两个子集:第一个包含测量从业余选手,和第二个由数据提供的职业球员。

我们评估两种不同的分类方法:基于事例和逻辑回归。在10倍交叉验证测试中,物流回归分类器提供了更好的结果包含测量的数据集来自业余球员和收集的数据从所有参与者获得。事例的算法实现数据由职业球员提供更好的结果。我们在分析评估测试获得类似的结果。根据我们的研究,我们建议使用事例的算法进行分类收集的数据从职业球员和逻辑回归方法从业余选手获得的数据。

使用分类器的准确性高,特别是对数据集包含测量从职业球员聚集;然而,它是可能的改善结果。我们计划使用的方法之一在进一步工作摘要分类器。另一个方向未来的工作与添加数据融合的第三个层次。决策级数据融合可以提高整体的精度检测和分类算法。

提出了数据fusion-based算法是一个有用的工具为教练和学员。一方面,它不仅可以帮助教练分析特定训练的影响也是一个训练序列的趋势。另一方面,它可以通过自我训练的培训,例如,计算网球中风在每个训练。总之,运动训练中的数据融合提供了新的程序来处理和分析运动训练数据。

在未来的工作中,我们将添加更多的网球中风,它可以检测和分类的方法。我们还计划新算法扩展系统的功能,支持分析网球中风。

数据可用性

研究中使用的数据集可以从下载https://www.ii.pwr.edu.pl/ krzysztof.brzostowski /文件/ Tenis_dataset.zip。

的利益冲突

作者宣称没有利益冲突。

引用

1. j .拳头k Ljubi \ v c、p . n . Suganthan m z。全氯乙烯,和拳头,“计算智能运动:挑战和机遇在一个新的研究领域,“应用数学和计算卷,262年,第186 - 178页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
2. d·f·惠兰m·a·O ' reilly t·e·沃德·e··德拉亨特·b·考尔菲德,”技术在康复:评估单腿蹲运动与耐磨惯性测量单元,“医学信息的方法卷,56号2、88 - 94年,2017页。视图:出版商的网站|谷歌学术搜索
3. d . Zahradnik和p . Korvas引入到运动训练马萨里克大学布尔诺,捷克共和国,2012年。
4. j·j·a·门德斯m·e·维埃拉m·b·皮雷和s . l . Stevan”传感器融合和智能传感器在体育和生物医学应用中,“传感器,16卷,不。10日,2016年。视图:谷歌学术搜索
5. f·r·Al-Osaimi”的一种新型多用途匹配表示当地3 d表面:旋转不变,高效,可调节灵敏度和高度区别的方法,”IEEE图像处理,25卷,不。2、658 - 672年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. a·艾哈迈迪·e·米切尔,c级et al .,“向自动活动分类和评估在体育运动训练,”IEEE物联网,卷2,不。1,23-32,2015页。视图:出版商的网站|谷歌学术搜索
7. p . Siirtola p . Laurinen j .罗恩和h . Kinnunen“高效的基于重力感应的游泳运动跟踪”IEEE学报》研讨会上计算智能和数据挖掘(CIDM 11),第161 - 156页,2011年。视图:谷歌学术搜索
8. r . Burchfield美国斯根”,高尔夫培训框架使用低成本惯性传感器,”《2010年国际会议上身体传感器网络,BSN 2010下界,页267 - 272年,2010年6月。视图:谷歌学术搜索
9. a·艾哈迈迪·d·罗兰兹,d·a·詹姆斯,“对可穿戴设备技能评估和技能习得的网球选手在第一次服务,“体育工程,卷2,不。3 - 4、129 - 136年,2010页。视图:谷歌学术搜索
10. d·l·霍尔和j . Llinas”,介绍了多传感器数据融合。”IEEE学报》,卷85,不。1,6-23,1997页。视图:出版商的网站|谷歌学术搜索
11. O。d·劳拉和m·A·拉布拉多”,一个关于人类活动的调查识别使用可穿戴传感器,”IEEE通信调查和教程,15卷,不。3、1192 - 1209年,2013页。视图:出版商的网站|谷歌学术搜索
12. m . Munoz-Organero和a . Lotfi”人体运动识别基于加速度数据的随机描述,“传感器,16卷,不。9日,2016年。视图:谷歌学术搜索
13. 阿迪达斯。2018年4月里能碰上。
14. 耐克。Nike +, 2018年4月。
15. 渡边y饭岛爱,k, k .小林,y,栗原君”的测量和分析网球摇动使用3 d陀螺传感器,”马夫年会学报》上,第277 - 274页,2010年。视图:谷歌学术搜索
16. a·艾哈迈迪·d·d·罗兰兹和d·a·詹姆斯,“调查swing使用加速度计的平移和旋转运动对运动员的技能评估,”学报》2006年第5 IEEE会议上传感器侯尔,页980 - 983年,2006年10月。视图:谷歌学术搜索
17. a·艾哈迈迪·d·d·罗兰兹和d·a·詹姆斯,”发展的惯性和新颖的概略介绍技术的上臂旋转速度测量和分析网球,”体育工程,12卷,不。4、179 - 188年,2010页。视图:出版商的网站|谷歌学术搜索
18. Indiegogo。主,2018年4月。
19. Babolatplay。Babolat流行,2018年4月。
20. m·沙玛r·斯利瓦斯塔瓦a .阿南德·d·普拉卡什,和l . Kaligounder“可穿戴运动传感器网球发球绩效反馈分析的基础阶段,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP 17),第5949 - 5945页,2017年。视图:谷歌学术搜索
21. d·康诺翰·凯利n e·奥康纳·m·加夫尼·m·沃尔什和c O 'Mathuna,“网球中风、多传感器分类”《IEEE传感器,第1440 - 1437页,2011年。视图:谷歌学术搜索
22. w·裴j . Wang x, z, x Du,“嵌入式六轴传感器识别为基础的网球中风,”学报2017年IEEE国际会议消费电子产品(ICCE 17)2017年1月,页55-58,。视图:谷歌学术搜索
23. m·科斯j .Ženko d Vlaj, Kramberger,“网球中风使用微型可穿戴IMU设备检测和分类,”学报》第23届国际会议系统、信号和图像处理、IWSSIP 2016,2016年,页1 - 4。视图:谷歌学术搜索
24. r . l .焦h . Wu Bie, a . Umek和a·科斯,“多传感器使用深CNN,高尔夫球挥杆的分类”Procedia计算机科学卷,129年,页59 - 65,2018。视图:出版商的网站|谷歌学术搜索
25. c . O。Conaire, d·康诺翰,p .凯利:e·奥康纳·m·加夫尼和j·巴克利,“结合惯性和视觉感知的人类行为识别网球,”第一届ACM国际研讨会论文集的跟踪事件和运动分析和检索图像流,51-56,2010页。视图:谷歌学术搜索
26. y张、陈k和j .咦,”骑士树干和自行车的姿势估计/惯性传感器融合的力量,”IEEE生物医学工程,60卷,不。9日,第2551 - 2541页,2013年。视图:出版商的网站|谷歌学术搜索
27. b . Khaleghi a·哈米斯,f . Karray”多传感器数据融合。”算法和建筑设计应用程序,15页,2015年。视图:谷歌学术搜索
28. r . Gravina p . Alinia h . Ghasemzadeh, g . Fortino”多传感器融合的身体传感器网络:最先进的和研究的挑战,”信息融合,35卷,第1351 - 1339页,2017年。视图:谷歌学术搜索
29. w·Elmenreich介绍了传感器融合奥地利,维也纳科技大学,2002。
30. l。瓦尔德,数据融合的定义和体系结构:融合不同空间分辨率的图像,2002年按des矿山。
31. j . Llinas d L大厅,和m E利兢丝,多传感器数据融合的手册:理论与实践,CRC出版社,2009年。
32. r·c·王,e·维伦纽夫r . j .白色,r . s中w . Holderbaum和w·s . Harwin”应用数据融合技术和技术的可穿戴的健康监测,“医学工程与物理2017年,42卷,页1 - 12。视图:出版商的网站|谷歌学术搜索
33. g . z杨和m .雅库巴身体传感器网络施普林格,2006年。视图:出版商的网站
34. a . k . Chowdhury d . Tjondronegoro诉Chandran和s . g . Trost”体育活动识别使用Posterior-Adapted Multiaccelerometer数据的基于类的融合,“IEEE生物医学和卫生信息学杂志》上,22卷,不。3、678 - 685年,2018页。视图:出版商的网站|谷歌学术搜索
35. m·利兢丝·d·霍尔,j . Llinas多传感器数据融合的手册:理论与实践,CRC出版社,2017年。
36. o . Basir x h .元,“基于多传感器信息融合的故障诊断引擎使用Dempster-Shafer证据理论,“信息融合,8卷,不。4、379 - 386年,2007页。视图:出版商的网站|谷歌学术搜索
37. m·金朱x p . Kalata,“对移动机器人导航传感器融合,”IEEE学报》,卷85,不。1,第119 - 108页,1997。视图:出版商的网站|谷歌学术搜索
38. j·凯利和g s Sukhatme Visual-inertial传感器融合:本地化、映射和sensor-to-sensor自校准,”国际机器人研究杂志》上,30卷,不。1,56 - 79,2011页。视图:出版商的网站|谷歌学术搜索
39. k·伯纳德,k . Ogawara k Ikeuchi, r . Dillmann”的传感器融合方法识别连续人类贪婪的序列使用隐马尔科夫模型,”IEEE机器人,21卷,不。1,47-57,2005页。视图:出版商的网站|谷歌学术搜索
40. w·r, g,陈、歌曲,和r·黄”Fusion-based火山地震探测和时机在无线传感器网络中,“ACM传感器网络交易,9卷,不。2,页1 - 25,2013。视图:出版商的网站|谷歌学术搜索
41. l . Snidaro r .妞妞,p . k . Varshney和g . l . Foresti”自动相机选择和融合户外监测天气变化条件下,”《IEEE视频和基于信号的监测(AVSS ' 03),第369 - 364页,2003年。视图:谷歌学术搜索
42. g·k . Matsopoulos美国马歇尔,j . n . h .冲击”先生的多分辨率融合形态和人类大脑的CT图像,”IEE诉讼视觉,图像和信号处理,卷141,不。3、137 - 142年,1994页。视图:出版商的网站|谷歌学术搜索
43. m . Raza冈德尔岛,d .绿、r . l . Coppel”分类器融合预测乳腺癌肿瘤基于微阵列基因表达数据,”国际会议的程序和工程知识和智能信息系统,第874 - 866页,设圈套。视图:谷歌学术搜索
44. h·李,r . Deklerck b . De Cuyper e . Nyssen j . Cornelis和a . Hermanus“脑ct扫描:对象识别知识融合的数据来自多个特征提取器,”IEEE医学成像,14卷,不。2、212 - 229年,1995页。视图:出版商的网站|谷歌学术搜索
45. k . Brzostowski”新方法基于漂移估计,人类行走的速度增强”生物医学信号处理和控制,42卷,29,2018页。视图:出版商的网站|谷歌学术搜索
46. k . Brzostowski”向人类行走速度的独立评估基于稀疏的建模、”IEEE仪表和测量,卷67,不。6,1389 - 1398年,2018页。视图:出版商的网站|谷歌学术搜索
47. 基于w . Zhang和z,“信仰功能决定融合为分散的目标分类在无线传感器网络中,“传感器,15卷,不。8,20524 - 20540年,2015页。视图:出版商的网站|谷歌学术搜索
48. t .广岛市东北方,k .德田、t .小林和美国Imai表示“mel-cepstral分析的自适应算法演讲》1992年国际会议上声学学报》,演讲,和信号处理(ICASSP ' 92)1卷,第140 - 137页,1992年。视图:谷歌学术搜索
49. m·m·m·法米”,掌纹识别Mel频率Cepstral系数特征提取的基础上,“Ain Shams工程杂志,1卷,不。1,39-47,2010页。视图:出版商的网站|谷歌学术搜索
50. n佐藤和y小渊,“情感识别使用mel-frequency cepstral系数,”信息和媒体技术,卷2,不。3、835 - 848年,2007页。视图:谷歌学术搜索
51. n . v . Cuong诉Dinh和l . s . t . Ho”Mel-frequency cepstral系数对眼球运动识别,”IEEE学报》24日国际会议与人工智能工具(ICTAI 12)1卷,第260 - 253页,2012年。视图:谷歌学术搜索
52. r . San-Segundo j·m·蒙特r . Barra-Chicote f·费尔南德斯和j·m·帕尔多”从智能手机惯性信号特征提取人类活动分割,“信号处理卷,120年,第372 - 359页,2016年。视图:出版商的网站|谷歌学术搜索
53. l . d . Enochson和k . r . otn编程和分析数字时间序列数据”,DTIC文档,1968年。视图:谷歌学术搜索
54. r·o·杜达·e·哈特和d . g .鹳,模式分类约翰•威利& Sons 2012。视图:MathSciNet
55. 美国Dreiseitl和l . Ohno-Machado”逻辑回归和人工神经网络分类模型:一个方法审查,”生物医学信息学杂志,35卷,不。5 - 6,352 - 359年,2002页。视图:出版商的网站|谷歌学术搜索
56. c . m .主教模式识别和机器学习施普林格,纽约,纽约,美国,2006年。视图:MathSciNet
57. t·s·艾。Lim W.-Y。Loh, Y.-S。施”,预测精度的比较、复杂性和33新旧分类算法的训练时间,“机器学习,40卷,不。3、203 - 228年,2000页。视图:出版商的网站|谷歌学术搜索
58. k P墨菲,机器学习:概率的角度来看,麻省理工学院出版社,2012年。
59. r . Kohavi”,交叉验证的研究和引导精度估计和模型选择”学报14人工智能国际联合大会(95年IJCAI”展出),14卷,页1137 - 1145,蒙特利尔,加拿大,1995年8月。视图:谷歌学术搜索

版权

版权©2018 Krzysztof Brzostowski和彼得亚雷Szwach。这是一个开放的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。