一种基于运动训练数据的运动模式识别方法和系统

摘要

本发明提供一种基于运动训练数据的运动模式识别方法和系统，包括步骤：获得运动人员的三维位置信息；根据获得的三维坐标信息，计算运动人员的速度和加速度信息；收集训练样本数据；对训练样本数据中的速度和加速度时间序列进行预处理；利用二叉决策树支持向量机决策树算法、BP神经网络算法、RBF神经网络识别算法这三类识别算法对处理后的训练样本数据进行训练；利用上述三类训练好的识别算法对运动人员的运动模式进行识别，并通过加权融合方法获得最终的模式识别结果。本发明在信息采集方面系统结构较为简洁、方便，能够在复杂多变的训练和比赛场景下实现运动模式识别，改善了运动模式识别的精度和鲁棒性。

说明书

技术领域

本发明属于运动数据分析领域，涉及运动数据采集和运动模式识别，特别涉及一种基于运动训练数据的运动模式识别方法和系统。

背景技术

随着计算机软硬件技术和网络的飞速发展，利用摄像机、传感器和无线传感器网络等在比赛现场采集运动位置信息和技战术数据，用于提升运动员的竞技水平已成为一种趋势，运动信息采集和分析装置在其中发挥着重要作用。通过运动追踪和定位装置可以采集运动员的运动学和动力学数据，通过数据挖掘技术处理这些数据，获取运动模式特征，可以用于精确的运动技战术分析。

要进行精确的运动训练监控，离不开运动追踪和定位装置的支撑。目前国内常用的室内外无线定位技术主要分为成像和非成像两大技术类别。成像类可以在完全不干扰运动员的前提下完成运动学数据采集，适用于赛场实时监控。但该类产品技术复杂，实现难度高，价格昂贵，难以推广。非成像类技术主要包括：全球定位系统(GPS)、北斗定位系统、辅助全球定位系统(A-GPS)、红外、超声、无线局域网、蓝牙、射频识别(RFID)、紫蜂(ZigBee)、和超宽带(UWB)。与其他技术相比，UWB无线定位技术有功耗低、抗多径效应好、定位精确、安全性高、系统结构简单等优点。但目前市面上的UWB标签个体较大，不利于运动员在比赛中佩戴。

目前常用的模式识别算法主要有两类：统计模式识别分类法和神经网络模式识别分类法。

目前运动模式识别领域的相关研究主要集中在日常生活中较为简单场景下的模式识别，主要对走、跑或上下楼梯等简单动作进行模式识别，用于支持大众健身和老人自动看护等需求，在复杂比赛和训练场景下的运动模式识别研究还不多见，现有的方式识别准确率还不太高，个别识别率较高的需要动用超级计算机运用更加复杂的算法进行处理，不适于推广应用。

在运动模式识别方面，实验室研究较多，且主要集中在生活场景中简单运动模式识别。陈雷,杨杰等利用佩戴在人体胯部的加速度传感器采集的加速度数据的几何特征对上楼、下楼、跑步、站立和步行等运动状态的识别,识别率在70％至95％之间；Sa-kwangSong等人利用在手机中嵌入三维加速度传感器对日常生活中的常见动作状态进行识别以实现对日常活动的监测,研究中涉及的活动包括跑步、坐下、起立、跌倒等,使用多层感知器对活动进行识别,识别率达到了97.9％至99.30％；Yu-Jin Hong等人结合加速度传感器与射频识别对老人的生活进行监护,它的主要原理是在家中的日常生活用品上贴上电子标签,戴在手臂上的集成了加速度传感器和射频设备的装置便可以感知这些物品,从而对老年人的动作做出判断,比如接电话、打扫卫生等,另一方面利用放置在腿上的加速度传感器对一些动作状态进行识别,这样就实现了对老年人的日常生活的基本监护；王昌喜等将两个加速度传感器固定在人体上肢上,通过采集两个三维加速度传感器的加速度数据,对数据进行预处理后，将小波变换用于运动模式识别的主要信息主要是加速度、图像和肌电等。虽然以上研究人员在简单场景上实现了较高的模式识别率，但这些算法无法支撑较为复杂，且运动模式转变迅速的比赛和训练应用。

综上所述，1.现有运动定位设备主要分为基于光学和GPS+惯性导航两种类型，前者由于其本身固有的缺陷，在复杂运动环境下有遮挡时运动定位精度不高，且本身系统造价昂贵，对计算机硬件要求极高，后者主要用于室外运动项目的定位，且定位精度不高。2.现有的运动模式识别算法多以阈值判别为主，无法适应复杂运动的环境下进行准确识别，无法更好支撑后续的技战术分析和运动负荷计算。3.目前已有室内定位方式如基于RFID和WIFI等，或者定位精度不高，或者标签过大不利于携带，而且仅能实现二维空间定位，不支持三维空间定位。

发明内容

本发明针对现有技术的不足，提供一种基于运动训练数据的运动模式识别方法，实现对运动训练和比赛进行实时位置追踪和运动模式识别，为后续的技战术分析和训练监控，提供精确实时的数据支撑，提升训练和比赛的科技水平。

为了达到上述目的，本发明提供的技术方案是：一种基于运动训练数据的运动模式识别方法，包括以下步骤，

步骤1，获得运动人员的三维位置信息；

步骤2，根据步骤1获得的三维坐标信息，计算运动人员的速度和加速度信息；

步骤3，收集训练样本数据，包括运动人员的速度和加速度信息；

步骤4，对训练样本数据中的速度和加速度时间序列进行预处理；

步骤5，利用二叉决策树支持向量机决策树算法、BP神经网络算法、RBF神经网络识别算法这三类识别算法对处理后的训练样本数据进行训练；

步骤6，利用上述三类训练好的识别算法对运动人员的运动模式进行识别，并通过加权融合方法获得最终的模式识别结果。

进一步的，步骤1中通过定位系统获得运动人员的三维位置信息，所述定位系统包括定位标签、定位基站、服务器、客户端；

所述定位标签包括微控制单元(MCU)、发射天线和供电模块，定位标签通过UWB通信协议向定位基站发射信号；

所述定位基站包括接收天线，MCU，网络通信模块和供电模块，定位基站通过接收定位标签无线信号，所述定位基站的个数至少为4个；

定位处理器，与定位基站相连接，用于根据定位基站收到的信息，利用时间差对定位标签进行定位，获取定位标签的(x,y,z)三维位置信息和时间序列；

所述服务器通过WIFI或有线网络与定位处理器相连接，用于存储定位标签信息；

所述客户端，通过访问服务器获取定位标签的三维位置信息和时间序列。

进一步的，步骤2中根据三维坐标信息，运用差分算法计算运动人员的速度和加速度信息，实现方式如下，

设Δt为时间间隔，则运动人员的速度V_i和加速度A_i为，

其中，X_i，Y_i，Z_i为三维坐标。

进一步的，步骤4中对训练样本数据中的速度时间序列进行预处理的实现方式如下，

根据速度转换频次的特征，定义一个窗口长度的最小值N和最大值M，然后从速度序列第一点开始，与第N点连线，计算各点拟合误差，如果误差总值小于给定的阀值R，拟合成功，增加窗口的长度，连线再计算拟合误差，如果拟合误差小于R，继续增加窗口长度一直到窗口长度为M；如果拟合误差大于R，则第一段结束，该点作为新的窗口的起始点，继续同样的过程，直到序列划分完毕。

进一步的，步骤6中通过加权融合方法获得最终的模式识别结果的实现方式如下，

其中，w_i(i＝1,2,3)为不同算法的权重，i＝1,2,3时，分别对应RBF神经网络算法、RP神经网络算法和二叉决策树支持向量机决策树算法；μ_i为变量，根据不同算法的识别效果在(0,0.5]范围内取值；x表示输入数据，f_u(x)是输入数据对应的最终的模式识别结果，其最大的值对应于分类y，而且y∈Y，其中Y为运动模式类别集合；f_i(x)是第i个模式识别算法的结果，对应权值为w_i，[f_i(x)＝y_i]代表与之对应的模式识别分类y_i。

本发明还提供一种基于运动训练数据的运动模式识别系统，包括如下模块：

三维位置信息获取模块，用于获得运动人员的三维位置信息；

速度和加速度计算模块，用于根据步骤1获得的三维坐标信息，计算运动人员的速度和加速度信息；

训练样本数据收集模块，用于收集训练样本数据，包括运动人员的速度和加速度信息；

预处理模块，用于对训练样本数据中的速度和加速度时间序列进行预处理；

训练模块，用于利用二叉决策树支持向量机决策树算法、BP神经网络算法、RBF神经网络识别算法这三类识别算法对处理后的训练样本数据进行训练；

模式识别模块，用于利用上述三类训练好的识别算法对运动人员的运动模式进行识别，并通过加权融合方法获得最终的模式识别结果。

进一步的，三维位置信息获取模块中通过定位系统获得运动人员的三维位置信息，所述定位系统包括定位标签、定位基站、服务器、客户端；

所述定位标签包括微控制单元(MCU)、发射天线和供电模块，定位标签通过UWB通信协议向定位基站发射信号；

所述定位基站包括接收天线，MCU，网络通信模块和供电模块，定位基站通过接收定位标签无线信号，所述定位基站的个数至少为4个；

定位处理器，与定位基站相连接，用于根据定位基站收到的信息，利用时间差对定位标签进行定位，获取定位标签的(x,y,z)三维位置信息和时间序列；

所述服务器通过WIFI或有线网络与定位处理器相连接，用于存储定位标签信息；

所述客户端，通过访问服务器获取定位标签的三维位置信息和时间序列。

进一步的，速度和加速度计算模块中根据三维坐标信息，运用差分算法计算运动人员的速度和加速度信息，实现方式如下，

设Δt为时间间隔，则运动人员的速度V_i和加速度A_i为，

其中，X_i，Y_i，Z_i为三维坐标。

进一步的，预处理模块中对训练样本数据中的速度时间序列进行预处理的实现方式如下，

根据速度转换频次的特征，定义一个窗口长度的最小值N和最大值M，然后从速度序列第一点开始，与第N点连线，计算各点拟合误差，如果误差总值小于给定的阀值R，拟合成功，增加窗口的长度，连线再计算拟合误差，如果拟合误差小于R，继续增加窗口长度一直到窗口长度为M；如果拟合误差大于R，则第一段结束，该点作为新的窗口的起始点，继续同样的过程，直到序列划分完毕。

进一步的，模式识别模块中通过加权融合方法获得最终的模式识别结果的实现方式如下，

其中，w_i(i＝1,2,3)为不同算法的权重，i＝1,2,3时，分别对应RBF神经网络算法、RP神经网络算法和二叉决策树支持向量机决策树算法；μ_i为变量，根据不同算法的识别效果在(0,0.5]范围内取值；x表示输入数据，f_u(x)是输入数据对应的最终的模式识别结果，其最大的值对应于分类y，而且y∈Y，其中Y为运动模式类别集合；f_i(x)是第i个模式识别算法的结果，对应权值为w_i，[f_i(x)＝y_i]代表与之对应的模式识别分类y_i。

与现有技术相比，本发明的优点：本发明基于运动训练数据的运动模式识别方法包含了对运动数据定位的监测和运动模式特征的分类和信息提取。

与现有技术相比，本发明在信息采集方面系统结构较为简洁、方便，运动员仅需携带定位标签，即可运用新UWB无线计算技术实时获取运动员和运动器械的三维位置信息，数据可以精确到厘米级；而不再需要携带三维加速度和心率等传感器，增加了便携性，降低了系统复杂度和能耗。

运动模式识别上，本发明采用了复杂度较高的二叉决策树支持向量机和神经网络融合算法，增加了复杂运动环境下模式识别的精度，从而在复杂多变的训练和比赛场景下实现了运动模式识别，而且改善了运动模式识别的精度和鲁棒性。

附图说明

图1为本发明实施例中定位系统结构示意图。

图2为本发明实施例中定位系统工作流程图。

图3为本发明实施例中典型动作类型二叉树图。

图4为本发明实施例中支持向量机决策树分类算法流程图。

图5为本发明实施例中二叉决策树支持向量机和神经网络融合算法流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

本发明技术方案包括两个阶段，运动训练实时监测阶段和有效数据的分类和提取阶段。运动训练实时监测阶段采用定位系统获取有效训练数据，然后对运动训练数据实时分析，该阶段可采用计算机自动运行实现；定位系统由定位标签、定位基站、服务器、计算机和移动终端组成。运动训练数据实时分析主要实现数据的采集、存储和有效数据的分类和提取，主要算法为运动特征提取算法。

1.定位系统：定位标签、定位基站、服务器、客户端(结构图见附图1)。

其中定位标签主要由微控制单元(MCU)、发射天线和供电模块组成。定位标签的主要作用为通过UWB通信协议向通信基站发射信号。

定位基站主要由接收天线，MCU，网络通信模块和供电模块组成。定位基站(至少4个)通过接收定位标签通过UWB通信协议发射的无线信号，定位基站的主要作用为记录接收到定位标签信号的时间及标签序列号。

定位处理器，与定位基站相连接，用于根据定位基站收到的信息，利用时间差对定位标签进行定位，获取定位标签的(x,y,z)三维位置信息和时间序列。

服务器的主要作用为：通过WIFI或有线网络与定位处理器相连接，用于存储定位标签信息，包括定位标签的编号及相应的位置时间序列；

客户端，通过访问服务器获取定位标签的位置时间序列，所述接收终端为计算机或移动终端设备，如iPad。

定位系统工作流程图如图2所示：

S1，定位标签上电动作；

S2，定位标签进入工作区域；

S3，定位处理器接收定位标签发出的标示信号，如果是进入步骤S4，如果否，判断定位标签处于未唤醒状态，提示重启定位标签；

S4，定位标签被成功唤醒，发出UWB定位信号；

S5，定位基站接受UWB信号，并进行处理；

S6，定位基站将接受的UWB信号及接收时间上传到定位处理器；

S7，定位处理器根据不同基站接受到信息的时间差得出定位标签的精确位置信息；

S8，定位处理器将精确的位置信息上传至服务器；

2.运动模式特征提取算法：运用二叉决策树支持向量机和神经网络融合算法，根据定位系统获取的实时位置信息、速度和加速度信息实现运动模式的精确判断，并在嵌入式系统实现该算法，保证算法的实时性和低功耗。具体步骤为：

(1)根据定位系统所得三维坐标序列，运用差分算法计算运动员或器械的速度和加速度信息，Δt为时间间隔，本实施例中取0.02s～0.1s。

(2)基于二叉树的典型动作模式划分，本实施例中将动作划分为走、跑、跳、对抗、非对抗这五种典型动作类型，二叉树划分见附图3，各动作数据作为根节点；然后将其分为深度为1的左子树跑、走、跳，及右子树静止；深度为1的左子树进一步分为深度为2的左子树跑、走，右子树跳，深度为1的右子树分为叶节点对抗和非对抗；深度为2的左子树最终分为叶节点走和跑。具体实施时，实际的训练数据，可以根据运动项目类型进行划分；

(3)收集典型训练样本数据，每类训练样本中的数据特征主要包含，位置、速度、加速度特征(包含自身及与其他运动员和器械的相对信息)，训练阶段，运动人员速度和加速度相对应的运动模式类别已知。

(4)为了减少误差，需先对速度和加速度时间序列进行预处理。首先通过中值滤波滤除两个序列中的孤立噪声点，然后依据速度曲线特征根据滑动窗口算法进行时间序列分割。具体为：根据速度转换频次的特征，定义一个窗口长度的最小值N和最大值M，然后从速度序列第一点开始，与第N点连线，计算各点拟合误差，如果误差总值小于给定的阀值R，拟合成功，增加窗口的长度，连线再计算拟合误差，如果拟合误差小于R，继续增加窗口长度一直到窗口长度为M。如果拟合误差大于R，则第一段结束，该点作为新的窗口的起始点，继续同样的过程，直到序列划分完毕。以同样的方法会加速度时间序列进行预处理。

(5)类间分离性测度。本实施例对训练动作进行划分为五类，训练样本数据中x_k，k＝1,2,3,4,5分别对应走、跑、跳、对抗、非对抗；则样本数据中类i,j(i,j取1、2、3、4、5)之间的分离性测度公式如下：

对于线性样本集

其中d_ij表示类i中心c_i与类j中心c_j间的欧氏距离；

d_ij＝||c_i-c_j||

c_i、c_j、σ_i、σ_j根据训练样本数据计算，以类x_i为例

n_i为类x_i中训练样本的个数。

对于非线性训练样本集，对其做非线性映射Φ，将其转换为高维空间的线性问题，然后在特定高纬特征空间中进行分离性测度计算，计算公式同上。

(6)运用二叉决策树支持向量机决策树算法对训练样本数据进行训练建模。训练过程中从最难分的类入手，即选择类间分离测度最小的两个类m和n进行训练，得到SVM(N-1)，并将其合并一新类簇m′。进一步在类簇m′和其他未参加训练的类或类簇中，寻找最难分的两个类或类簇p与q，进行训练得到SVM(N-2)，合并一新类簇p′。最终可得(N-1)个支持向量机分类器。本训练过程是从叶节点出发，通过合并最难分类缩为枝节，最终形成根节点。具体算法流程见附图4：首先初始化叶节点(相当于运动模式类别)和训练样本数据；判断叶节点个数是否大于2，如果大于，则计算任意两类或类簇间的分离测度，选取类间距最小的两个类或类簇m和n，将m和n的样本数据作为训练样本，经过训练得到分类模型；然后合并类或类簇m和n得到新的类簇m′，并更新决策树结构体变量，进一步将类簇m′和其他未参加训练的类或类簇进行比较，判断分离测度，得到最终的支持向量机分类器；如果叶节点个数为2，直接将m和n的样本数据作为训练样本，经过训练得到分类模型，算法结束。

同时采用现有的BP神经网络和RBF神经网络模式识别算法对训练样本数据进行训练。

(7)算法融合。在二叉决策树支持向量机算法的基础上，构造二叉决策树支持向量机加神经网络混和算法。不同的模式识别算法有不同的特长，整合了它们各自特点的多个模式识别算法的融合，能够让模式识别效果和鲁棒性进一步改善。本算法融合采用决策级融合，融合策略架构图如附图5所示，首先将运动数据输入，利用上述三类算法获得运动模式类别，然后采用融合决策函数获得最终的分类结果，并输出本算法的融合策略为，通过加权融合多个模式识别算法：

其中w_i(i＝1,2,3)为不同算法的权重，i＝1,2,3时，分别对应RBF神经网络算法、RP神经网络算法和支持向量机分类算法；μ_i为变量，根据不同模式识别算法的识别效果在(0,0.5]范围内取值。最终的模式识别结果，通过每个模式识别算法的结果按照加权公式算出：

式中，x表示输入数据，f_u(x)是输入数据对应的最终的模式识别结果，并且其最大的值对应于分类y，而且y∈Y，

其中Y为运动模式类别集合。f_i(x)是第i个模式识别算法的结果，对应权值为w_i，[f_i(x)＝y_i]代表与之对应的模式识别分类y_i。

本发明实施例还提供一种基于运动训练数据的运动模式识别系统，包括如下模块：

三维位置信息获取模块，用于获得运动人员的三维位置信息；

速度和加速度计算模块，用于根据步骤1获得的三维坐标信息，计算运动人员的速度和加速度信息；

训练样本数据收集模块，用于收集训练样本数据，包括运动人员的三维位置信息、速度和加速度信息，以及运动人员的运动模式类别；

预处理模块，用于对训练样本数据中的速度和加速度时间序列进行预处理；

训练模块，用于利用二叉决策树支持向量机决策树算法、BP神经网络算法、RBF神经网络识别算法这三类识别算法对处理后的训练样本数据进行训练；

模式识别模块，用于利用上述三类训练好的识别算法对运动人员的运动模式进行识别，并通过加权融合方法获得最终的模式识别结果。

其中，三维位置信息获取模块中通过定位系统获得运动人员的三维位置信息，所述定位系统包括定位标签、定位基站、服务器、客户端；

所述定位标签包括微控制单元(MCU)、发射天线和供电模块，定位标签通过UWB通信协议向定位基站发射信号；

所述定位基站包括接收天线，MCU，网络通信模块和供电模块，定位基站通过接收定位标签无线信号，所述定位基站的个数至少为4个；

定位处理器，与定位基站相连接，用于根据定位基站收到的信息，利用时间差对定位标签进行定位，获取定位标签的(x,y,z)三维位置信息和时间序列；

所述服务器通过WIFI或有线网络与定位处理器相连接，用于存储定位标签信息；

所述客户端，通过访问服务器获取定位标签的三维位置信息和时间序列。

其中，速度和加速度计算模块中根据三维坐标信息，运用差分算法计算运动人员的速度和加速度信息，实现方式如下，

设Δt为时间间隔，则运动人员的速度V_i和加速度A_i为，

其中，X_i，Y_i，Z_i为三维坐标。

其中，预处理模块中对训练样本数据中的速度时间序列进行预处理的实现方式如下，

根据速度转换频次的特征，定义一个窗口长度的最小值N和最大值M，然后从速度序列第一点开始，与第N点连线，计算各点拟合误差，如果误差总值小于给定的阀值R，拟合成功，增加窗口的长度，连线再计算拟合误差，如果拟合误差小于R，继续增加窗口长度一直到窗口长度为M；如果拟合误差大于R，则第一段结束，该点作为新的窗口的起始点，继续同样的过程，直到序列划分完毕。

其中，模式识别模块中通过加权融合方法获得最终的模式识别结果的实现方式如下，

其中，w_i(i＝1,2,3)为不同算法的权重，i＝1,2,3时，分别对应RBF神经网络算法、RP神经网络算法和二叉决策树支持向量机决策树算法；μ_i为变量，根据不同算法的识别效果在(0,0.5]范围内取值；x表示输入数据，f_u(x)是输入数据对应的最终的模式识别结果，其最大的值对应于分类y，而且y∈Y，其中Y为运动模式类别集合；f_i(x)是第i个模式识别算法的结果，对应权值为w_i，[f_i(x)＝y_i]代表与之对应的模式识别分类y_i。

各模块具体实现和各步骤相应，本发明不予赘述。

本发明运用BP神经网络、RBF神经网络、SVM(支持向量机)和融合算法进行运动模式特征识别实验，共进行10次，识别率如表1所示。其中融合算法的识别率最好，在10次实验中取得了9次最佳，且较为稳定，在4种算法中标准差最小，平均识别率最高。

表1 10次实验中不同算法的运动模式特征识别率(％)

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。