(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111550693.8 (22)申请日 2021.12.17 (65)同一申请的已公布的文献号 申请公布号 CN 114241603 A (43)申请公布日 2022.03.25 (73)专利权人 中南民族大 学 地址 430074 湖北省武汉市洪山区民族大 道708号、 823号 (72)发明人 张潇　唐志勇　王宇帆　孙士龙　 金宁　李旭升　向鑫　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 胡建平　刘琰 (51)Int.Cl. G06V 40/20(2022.01)G06N 20/00(2019.01) G06K 9/62(2022.01) G01P 15/02(2013.01) G01P 3/44(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (56)对比文件 US 2020175 397 A1,2020.0 6.04 CN 111744156 A,2020.10.09 CN 110327595 A,2019.10.15 CN 110245718 A,2019.09.17 CN 111931616 A,2020.1 1.13 审查员 姚天宇 (54)发明名称 基于可穿戴设备的毽球动作识别与水平等 级评估方法及系统 (57)摘要 本发明公开了一种基于可穿戴设备的毽球 动作识别与水平等级评估 方法及系统， 该方法包 括： 通过智能可穿戴式设备采集毽球运动中产生 的训练数据样本； 对训练数据进行清洗去噪， 滑 动均值滤波； 进行相同窗口大小的动作片段提 取， 建立动作轨迹模型； 对轨迹模型进行特征提 取， 并运用XGBoo st算法对特征重构变 换； 构建毽 球动作的多任务逻辑回归分类器1和2， 利用处理 后的训练数据对多任务逻辑回归分类器进行训 练， 选择出最优模型参数， 得到分类模型； 采集毽 球运动中产生的待分类的测试数据样本， 利用分 类算法模型对测试数据样本进行分类， 输出分类 预测结果。 本发明能对毽球动作进行识别， 能对 学生的水平进行客观的评判， 且能帮助学生精准 地掌握毽球技术。 权利要求书3页 说明书6页 附图2页 CN 114241603 B 2022.08.26 CN 114241603 B 1.一种基于可穿戴设备的毽球动作识别与水平等级评估方法， 其特征在于， 该方法包 括以下步骤： S1： 通过智能可穿戴式设备采集毽球运动中产生的训练数据样本， 训练数据样本包括 三轴加速度和三轴角速度共六维数据； S2： 对训练数据进行清洗去噪， 滑动均值滤波； S3： 对预处 理后的训练数据进行相同窗口大小的动作片段提取， 建立动作轨 迹模型； S4： 对轨迹模型进行特征构建， 包括六维数据的七个特征指标： 最大值、 最小值、 平均 值、 方差、 标准差、 均方根和极差， 共计42个特征向量， 并运用极端梯度提升算法对特征向量 进行特征重构变换； S5： 构建毽球动作的多任务逻辑回归分类器， 利用处理后的训练数据对多任务逻辑回 归分类器进行训练， 选择 出最优模型参数， 得到分类算法模型； S6： 采集毽球运动中产生的待分类的测试数据样本， 利用训练完成的多任务逻辑回归 分类器对测试数据样本进行分类， 输出分类预测结果； 将输出的分类预测结果与真实情况 进行对比， 计算多任务逻辑回归分类 器分类的准确率； 所述步骤S3具体包括： 对预处理的数据矩阵按照动作完成时间进行切割， 划分成P个数据 段， 每个数据段划分 方法描述为： 每个动作数据段中的绝对最大值做为基准点B， 并以基准点B作为参考点对所 有数据段进 行前向切割和 后向切割， 向前切割m个时域数据， 向后切割n个时域数据， 单个动 作任一坐标轴轴数据片段为(B ‑α,B+β )， 得到大小为L ×P的动作信号数据矩阵Z， L代表保留 的单个数据段的长度， 其大小为( α +β ) ×6； 所述步骤S4具体包括： 对于动作数据矩阵Z， 采用七个特征指标： 最大值、 最小值、 平均值、 方差、 标准差、 均方 根和极差， 对矩阵Z中的六轴数据进行运算， 共计得到42个特征向量； 根据数据采集的情况 对每组数据进行标记， 对动作类型和动作完成者等级的标记， 另外得到大小为P ×(N+1)的 带标签矩阵Z， Z∈RP×(N+1)其中Q表示特 征矩阵， N表示特 征数量， 1表示标签矩阵； 所述步骤S4中的极端梯度提升算法XGBo ost具体步骤 包括： 步骤S4.1： 以原有特征矩阵Z作为极端梯度提升算法XGBoost的输入， 并为极端梯度提 升算法XGBoost构建一组决策树组合， 其中每一棵决策树的非叶子节点表示对原有特征的 属性测试， 叶子结点表 示对原有 特征属性测试结果的分布， 其取值为0或1； 所得决策树组合 的叶子结点总数为 N′； 步骤S4.2： 对于每一棵决策树， 自其根结点起， 特征取值与非叶子结点所表示的特征属 性进行比较， 并根据比较结果决定下一比较分支， 直到叶子结点作为 最终的比较结果； 步骤S4.3： 所述步骤S4.2中选中的叶子结点置为1， 其余叶子结点置为0， 将所有的叶子 结点依决策树叶子结点排列顺序从左至右进 行取值组合， 所得结果为新构建的特征向量矩 阵Q， 其矩阵大小为P ×(N′+1)； 所述步骤S5具体包括： 多任务逻辑 回归分类器由用于动作分类的逻辑 回归分类器1和用于专业性水平分类的 逻辑回归分类 器2并联构成， 多任务逻辑回归分类 器的参数训练主 要包括： 步骤S5.1:以训练数据集合Q的前N列数据矩阵Q1～N′作为逻辑回归分类器1的输入； 以第权　利　要　求　书 1/3 页 2 CN 114241603 B 2N′+1列数据Q1+N′作为逻辑回归分类器1的期望输出， 则多任务逻辑回归分类器1的参数集合 描述为： 其中， 表示矩阵Q1～N′的转置矩阵； θ表示逻辑回归分类器1的参数集合； 逻辑回归 分类器1可实现动作类型分类； 步骤S5.2:选取动作集合Q中任意已分类毽球动作作为目标动作， 数据集合Q中表示该 动作的前p行数据作为特定动作特征矩阵F， 其大小为p ×N， 特定动作矩阵F作为逻辑回归分 类器2的输入； 以第N ′+1列数据FN′+1作为逻辑回归分类器2的期望输出， 则多任务逻辑回归 分类器2的参数集 合描述为： 其中， 表示矩阵F1～N′的转置矩阵； μ表示逻辑回归分类器2的参数集合； 逻辑回归 分类器2可实现动作水平分类； 步骤S5.3： 参数θ和参数 μ 的并联组合， 构成多任务逻辑回归分类 器的参数集 合。 2.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法， 其特 征在于， 所述 步骤S1具体包括： 测试者在脚踝外侧穿戴智能设备， 智能设备采用惯性传感器， 在指定区域做出毽球运 动中的指定动作； 指定动作的类别包括： 脚内侧踢球、 脚外侧踢球、 脚背踢球、 传球、 正脚背 发球； 对于不同类别的动作， 智能可穿戴设备通过蓝牙传输模块将惯性传感器收集的运动 数据传送至智能移动设备； 智能可穿戴设备内置惯性传感器在每个采样点上采集三 维空间 中x轴、 y轴和z轴角速度和三 维空间中的x轴、 y轴和z轴加速度； 最 终收集到对应的数据 矩阵 P表示采集的动 作数量， Si代表完成单个完整动 作中任一坐标轴包含的动作信 号数据的个数。 3.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法， 其特 征在于， 所述 步骤S2中滑动均值滤波的方法具体包括： 对收集到的数据矩阵运用滑动均值滤波处理， 对于训练数据样本 中单个完整动作原始 型号S＝(s1,s2,…,sm,…)， 用长度为r的时间窗口从信号序列F的队首依次向后滑动， 计算 窗口内的平均值 作为sm点的输出， 其中r为奇数， 其向后偏移的窗口大小为 4.根据权利要求1所述的基于可穿戴设备的毽球动作识别与水平等级评估方法， 其特 征在于， 该方法通过基于可穿戴设备 的毽球动作识别与水平等级评估系统实现， 该系统包 括： 智能可穿戴传感器(10 0)、 移动终端(20 0)、 计算机(3 00)和云存 储服务器(400)； 其中： 所述智能可穿戴传感器内设有加速度计(101)和陀螺仪(102)， 所述加速度(101)用于 产生三维空间中x轴、 y轴、 z轴加速度数据， 所述陀螺仪(102)用于产生三 维空间中x轴、 y轴、 z轴角速度数据； 所述移动终端(200)为智能平板电脑或智能手机， 其通过蓝牙与所述智能可穿戴传感 器(100)连接， 用于将所述智 能可穿戴传感器(100)采集的运动数据传输至所述移动终端权　利　要　求　书 2/3 页 3 CN 114241603 B 3