一种基于微惯性的无器械健身动作质量评估方法
阅读说明：本技术 一种基于微惯性的无器械健身动作质量评估方法 (Micro-inertia-based non-apparatus body-building action quality evaluation method ) 是由 阳媛 杨浩然 王庆 王慧青 况余进 于 2021-08-16 设计创作，主要内容包括：本发明公开了一种基于微惯性的无器械健身动作质量评估方法,可以对人的无器械健身运动进行识别与质量评估。该方法采用状态-动作两步分类方法,首先利用3个6轴微惯性传感器识别人体运动状态,然后调用Elman-Kalman轨迹估计模型,预测每个传感器节点的运动轨迹,再将轨迹信号与采集信号用于第二步健身动作分类。完成分类后,将生成的运动序列与标准运动序列库中的序列进行对比分析,评估动作的全身和局部的标准度与稳定度,并给出动作质量评估结果,用以帮助人们高效、安全地开展徒手健身活动。本发明在人的徒手运动健身过程中,对用户的健身动作类型能进行有效识别,准确率高,并能对用户身体各部分的运动姿态做出合理评估。(The invention discloses a micro-inertia based non-equipment fitness motion quality evaluation method, which can be used for identifying and evaluating the quality of non-equipment fitness motion of people. The method adopts a state-action two-step classification method, firstly, 3 6-axis micro-inertial sensors are utilized to identify the motion state of a human body, then an Elman-Kalman trajectory estimation model is called to predict the motion trajectory of each sensor node, and then a trajectory signal and an acquired signal are used for the second step of body-building action classification. After classification is completed, the generated motion sequence is compared with sequences in a standard motion sequence library for analysis, the whole body and local standard degree and stability of the motion are evaluated, and the motion quality evaluation result is given to help people to efficiently and safely carry out free-hand fitness activities. The method can effectively identify the body-building action type of the user in the bare-handed movement body-building process of the person, has high accuracy, and can reasonably evaluate the movement posture of each part of the body of the user.)
技术领域
本发明属于健身运动领域，特别是涉及一种基于微惯性的无器械健身动作质量评估方法。
背景技术
近年来，在国家全民健身政策的推动下，健身理念已经深入人心，人们对健身的需求也越来越旺盛。随着互联网的蓬勃发展，居家、线上健身的方式更是吸引了大部分人加入到健身中来。然而，伴随着健身热潮，不当运动带来的损伤也成了全民关注的焦点。
缺乏针对身体情况的科学指导的健身活动，容易对身体造成损伤。科学的健身方式一直是人们所追求的。然而，由于当前健身房私人教练贵，部分人群选择居家自主锻炼，存在动作的标准性难以估计的问题。由于用户自主模仿视频动作训练，缺乏专业指导，运动过程中的动作标准性难以判断，严重时会造成永久损伤。
为了解决以上问题经检索，中国专利公开(公告)号为CN104888444A的专利，提供了一种卡路里消耗和手部姿势识别的智慧手套、方法及系统，能识别用户的健身数据以及卡路里消耗。该专利利用惯性传感器及压力传感器对力量训练动作进行姿态分类，并能在手部姿态发生偏移时及时警告。该手套收集处理的运动数据较为单一，对健身过程的全身姿态不能进行有效的评估，也不能对手部健身过程中实时位置进行评估分析，导致用户对健身动作整体质量的认知程度低。中国专利公开(公告)号为CN106073793B的专利公开了一种基于微惯性传感器的姿态跟踪与识别方法，使用穿戴式微惯性传感器采集人体姿态数据并进行姿态数据处理，跟踪并识别用户的动作和行为，并依据预设标准动作对用户动作的规范程度进行评判并提出相应修正意见。该专利将人的运动过程拆分成若干基础动作，采用模板匹配的方式对人的动作进行分类，对模板库的定义复杂，且模板库中缺少对运动过程中人体各部分的位置信息。在对人动作进行评估时，以时间序列距离度量来评估用户动作的标准性。该方法忽略了健身动作对每个部位的要求，仅衡量标准度而忽略了稳定性，重在整体差异性，忽略了局部关键位置的动作评分。
当前健身辅助系统在人的健身训练过程中，缺乏合理的整体、局部质量评估手段，缺少对人体运动过程中各部位的实时位置的判断，缺少对徒手健身动作的高效分类方法。因此，针对用户徒手健身训练，开发适用整体动作、顾及局部关键位置的高效动作评估方法，指导人的健身训练是必要的。
发明内容
针对目前健身辅助系统无法对人健身的动作质量进行评估的问题，本发明提供一种基于微惯性的无器械健身动作质量评估方法，用以指导非专业人士健康、安全、有效地自主开展健身活动。
本发明提供一种基于微惯性的无器械健身动作质量评估方法，包括：
(1)健身运动信息的采集与处理；
步骤(1)中，对健身运动的信息的采集与处理，在人身体上布设6轴惯性传感器，一共N个，其中上身Nu个，下身Nd个，腰腹1个；
(2)人体健身的状态-动作两步分类模型；
无器械健身动作的两步分类模型，具体步骤为：
(2.1)利用上身、下身各一个传感器，腰腹一个传感器，共3个6轴微惯性传感器信息对人体运动状态进行粗分类，将运动状态分为五种类型，具体为：上肢运动、下肢运动、腰腹运动、全身运动和非运动状态；
(2.2)结合状态分类的结果，调用步骤(3)所述Elman-Kalman模型，获得每个传感器的坐标轨迹信息，结合全身节点，进行健身运动的细分类，将运动状态具体地分为各类动作：
(2.3)对传感器i，将分类结果、动作坐标以及欧拉角合并，形成一个动作质量评估序列，具体形式为：
其中，x,y,z为动作过程传感器附着部位的三维坐标，α,β,γ为对应欧拉角序列，C1为状态分类结果，取值为1～5，分别对应5种运动状态，C2为动作分类结果，取值为1～m，分别对应每个运动状态下的m种动作，该值将在动作分类步骤结束后更新；
(3)人体运动的Elman-Kalman轨迹估计模型；
Elman-Kalman轨迹估计模型，具体步骤为：
(3.1)针对所述步骤(2)中粗分类结果的前四种运动状态，对每个传感器建立4个对应的运动的轨迹估计模型；
(3.2)Elman-Kalman轨迹估计模型结构具体为，在Elman神经网络的隐藏层中，增加对未来数据的估计，并在输出层构建扩展Kalman滤波器来优化坐标结果；
在隐藏层中，增加单步数据输入向量xp(k)＝f(w1u(k)+w2xc(k+1)+b1)，此时，隐藏层的输出单位向量为x(k)＝f(w1u(k-1)+w2xc(k)+w3xp(k)+b1)，式中，w1,w2,w3为权重，u为神经网络的输入向量，xc为隐藏层反馈向量，b1为偏差向量，f为sigmoid函数，k为时刻；
在Elman网络的输出层中增加扩展Kalman滤波器来校准原输出 为估计的粗略三维轨迹坐标，设置状态方程为：
设置观测方程为y(k)＝p(k)+δk，状态方程的雅可比矩阵为上式中，ωk为k时刻的角速度，ηk,δk为高斯白噪声；
(3.3)训练神经网络时采用的输出为三维坐标，由光学动捕系统采集；
(4)全身关键节点的姿态与轨迹坐标信息的分析，评估动作质量；
动作质量评估方法，具体步骤为：
(4.1)对于一个动作序列{1O,2O,...,NO}，将之与对应的标准动作序列库的序列{1Os,2Os,...,NOs}对比，分析动作质量；
所述标准动作序列库中的序列，其中一个传感器i的序列格式为：其中w1i,w2i评分权重，为人为根据动作类别及传感器部位进行设定；
(4.2)对于iO和iOs，计算对应动作质量的标准度Ei和稳定度Si，具体计算方式如下： 其中std表示标准差；
此时，对待评估动作，联合全节点的质量评分为{Q,q1,q2,...,qN}，总分为其中qmin，qmax分别代表各部位中最大最小评分，身体各部位的动作质量评分为qi＝w1iEi+w2iSi，其中w1i,w2i可根据动作种类(C1,C2)从标准库中直接调用。
作为本发明进一步改进，步骤(2.2)，具体的用于识别的徒手健身动作包括：
作为本发明进一步改进，步骤(2.3)动作分类的动作序列的前6列数据均为归一化后数据。
本发明与现有技术相比的优点在于：
本发明方法应用两步分类算法依次对人体的运动状态和健身动作进行分类，在第二步健身动作分类时，通过引入了估计的人体的运动轨迹坐标，能有效提升人体的健身动作的类别的识别率。在人体动作质量评估时，对全身节点进行融合评估，不仅能反馈整体动作质量，还能评估身体各部分的动作质量。
本发明对人体各部分运动轨迹的估计问题，提出一种Elman-Kalman轨迹估计算法，有效避免了传统纯惯性解算的初始对准困难、受环境影响大等问题，能够广泛应用于固定重复动作的轨迹识别。
附图说明
图1为一种基于微惯性的无器械健身动作质量评估方法的实施流程；
图2为状态-动作两步分类算法的示意图；
图3为单个节点的Elman-Kalman轨迹估计的算法示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于微惯性的无器械健身动作质量评估方法，用以指导非专业人士健康、安全、有效地自主开展健身活动。
如图1所示为本发明的方法流程示意图。
步骤S1：人体健身运动数据采集与传输。具体包括：
S1.1、在人体需要评估的动作姿态的9个关键位置，布设6轴惯性传感器，包括上肢4个(左小臂、左大臂、右小臂、右大臂)，下肢4个(左小腿、左大腿、右小腿、右大腿)以及腰部1个；
S1.2、将采集的传感器数据，三轴加速度、三轴角速度、欧拉角进行回传，数据采集频率为50Hz：
如图2所示为状态-动作两步分类算法。
步骤S2：利用运动信息，对人体健身动作进行识别，采用状态-运动两步分类算法。具体包括：
S2.1、将回传的各传感器数据进行划分，每两秒为一个动作序列，每个序列大小为100×9，其中一行为，iO′k＝[ak ωk αk βk γk]包括三轴加速度，三轴角速度和欧拉角。
S2.2、利用机器学习算法，包括但不限于支持向量机、决策树、随机森林和神经网络等机器学习算法，将人体的运动状态分为5类，分别为上肢运动、下肢运动、腰腹运动、全身运动以及非运动状态，并标记C1值，动作序列扩展为100×10，其中一行为，iO′k＝[ak ωkαk βk γk C1]增加运动状态标记。
S2.3、根据运动状态即C1值，调用对应的Elman-Kalman运动轨迹估计模型，估计对应节点的运动轨迹。以单节点说明该模型。
如图3所示为单节点的轨迹估计模型框图。
该模型的输入为动作序列的前9列，u(k-1)＝(ak-1,ωk-1,αk-1,βk-1,γk-1)，首先，在隐藏层增加未来一步动作序列，xp(k)＝f(w1u(k)+w2xc(k+1)+b1)，因此隐藏层的输出变更为x(k)＝f(w1u(k-1)+w2xc(k)+w3xp(k)+b1)，其中f为sigmoid函数。在输出层增加扩展Kalman滤波，进一步校准估计值。可以将健身动作的瞬时视作轴绕支点的匀加速运动，因此状态方程可以设置为：其中，为坐标的估计值，其雅可比矩阵为观测方程为y(k)＝p(k)+δk。其中ηk,δk均为高斯噪声。输出为估计三维坐标p(k)＝(xk yk zk)T。模型训练时，真值坐标由光学动捕系统获得。
S2.4、获得运动轨迹的估计值后，将各传感器的运动序列更新为并将此应用于第二步的动作分类中，获得分类结果后，将动作序列进一步更新为{1O,2O,...,NO}，其中
步骤S3：全身关键节点的姿态与轨迹坐标信息的分析，进行动作质量评估，具体包括：
S3.1、对步骤2中形成的动作序列{1O,2O,...,NO}，根据C1,C2的值，调用标准动作序列库中的对应序列{1Os,2Os,...,NOs}进行对比分析。
S3.2、分析所有节点的标准度与稳定度，对于节点i，计算标准度，计算稳定度其中std为标准差。
S3.3、对于节点i，动作局部评分为：qi＝w1iEi+w2iSi，其中w1i,w2i为评分权重，由人为根据动作类型设定，计算时根据C1,C2值进行调用。
S3.4、对于全身动作而言，总评分为最终反馈给用户的动作评估为得分序列{Q,q1,q2,...,qN}，用以衡量动作整体质量以及身体各部分的达标情况，指导用户高效安全地开展健身活动。
以上所述，仅是本发明的较佳实施例之一，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。