[發明專利]一種基于微慣性的無器械健身動作質量評估方法

有效

• 申請號: 202110935608.3
• 申請日: 2021-08-16
• 公開（公告）號: CN113663312B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 陽媛;楊浩然;王慶;王慧青;況余進
• 申請（專利權）人: 東南大學
• 主分類號: G06F17/15
• 分類號: G06F17/15;A63B71/06;G06V10/764;G06K9/62
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于微慣性的無器械健身動作質量評估方法，其特征在于，包括：

(1)健身運動信息的采集與處理；

步驟(1)中，對健身運動的信息的采集與處理，在人身體上布設6軸慣性傳感器，一共N個，其中上身N_u個，下身N_d個，腰腹1個；

(2)人體健身的狀態-動作兩步分類模型；

無器械健身動作的兩步分類模型，具體步驟為：

(2.1)利用上身、下身各一個傳感器，腰腹一個傳感器，共3個6軸微慣性傳感器采集的加速度角速度以及解算的歐拉角信息對人體運動狀態進行粗分類，將運動狀態分為五種類型，具體為：上肢運動、下肢運動、腰腹運動、全身運動和非運動狀態；

(2.2)結合狀態分類的結果，調用步驟(3) Elman-Kalman模型，獲得每個傳感器的坐標軌跡信息，結合全節點姿態角信息，進行健身運動的細分類，將運動狀態具體地分為各類動作：

(2.3)對傳感器i，將分類結果、動作軌跡坐標以及歐拉角合并，形成一個動作質量評估序列，具體形式為：

其中，x,y,z為動作過程傳感器附著部位的三維坐標，α,β,γ為對應歐拉角序列，C₁為狀態分類結果，取值為1～5，分別對應5種運動狀態，C₂為動作分類結果，取值為1～m，分別對應每個運動狀態下的m種動作，該值將在動作分類步驟結束后更新；

(3)人體運動的Elman-Kalman軌跡估計模型；

Elman-Kalman軌跡估計模型，具體步驟為：

(3.1)針對所述步驟(2)中狀態分類結果的前四種運動狀態，對每個傳感器建立4個對應的運動的軌跡估計模型；

(3.2)Elman-Kalman軌跡估計模型結構具體為，在Elman神經網絡的隱藏層中，增加對未來數據的估計，并在輸出層構建擴展Kalman濾波器來優化坐標結果；

在隱藏層中，增加單步數據輸入向量x_p(k)＝f(w₁u(k)+w₂x_c(k+1)+b₁)，此時，隱藏層的輸出單位向量為x(k)＝f(w₁u(k-1)+w₂x_c(k)+w₃x_p(k)+b₁)，式中，w₁,w₂,w₃為權重，u為神經網絡的輸入向量，x_c為隱藏層反饋向量，b₁為偏差向量，f為sigmoid函數，k為時刻；

在Elman網絡的輸出層中增加擴展Kalman濾波器來校準原輸出為估計的粗略三維軌跡坐標，設置狀態方程為：

設置觀測方程為y(k)＝p(k)+δ_k，狀態方程的雅可比矩陣為上式中，ω_k為k時刻的角速度，η_k,δ_k為高斯白噪聲；

(3.3)訓練神經網絡時采用的輸出為三維坐標，由光學動捕系統采集；

(4)全身關鍵節點的姿態與軌跡坐標信息的分析，評估動作質量；

動作質量評估方法，具體步驟為：

(4.1)對于一個動作序列{¹O,²O,...,^NO}，將之與對應的標準動作序列庫的序列{¹O_s,²O_s,...,^NO_s}對比，分析動作質量；

所述標準動作序列庫中的序列，其中一個傳感器i的序列格式為：其中w_1i,w_2i評分權重，為人為根據動作類別及傳感器部位進行設定；

(4.2)對于ⁱO和ⁱO_s，計算對應動作質量的標準度E_i和穩定度S_i，具體計算方式如下：其中std表示標準差；

此時，對待評估動作，聯合全節點的質量評分為{Q,q₁,q₂,...,q_N}，總分為其中q_min，q_max分別代表各部位中最大最小評分，身體各部位的動作質量評分為q_i＝w_1iE_i+w_2iS_i，其中w_1i,w_2i可根據動作種類(C₁,C₂)從標準庫中直接調用。