一种面向智能哑铃的上肢运动识别方法
【专利摘要】本发明公开了一种面向智能哑铃的上肢运动识别方法，通过传感器对用户上肢运动的三维加速度和三维角速度进行实时采集通过将采集到的数据进行加速度分解、滤波、周期判别、标准化等处理后，与特征数据库中的数据进行相似度分析，从而实现对特定动作的识别。本发明识别成本低，准确率高。
【专利说明】
-种面向智能哑铃的上肢运动识别方法
技术领域
[0001] 本发明设及动作识别领域，尤其设及一种面向智能哑铃的上肢运动识别方法。
【背景技术】
[0002] 近年来，随着传感器技术的发展，动作识别类应用成为了人们关注的热点。简单的 动作识别技术，如计步器等，已经广泛应用于智能手环等可穿戴设备中。然而运类设备的动 作识别功能相对单一，远远无法满足哑铃训练中识别较多动作的需求。
[0003] 目前主流的动作识别技术包括基于图像传感器的和基于运动传感器的动作识别 技术。
[0004] 基于图像传感器的动作识别技术主要是通过CCD或CMOS传感器对视觉图像进行采 集，并对采集到的图像进行分析、处理，实现特征提取、动作识别。运类方法的主要缺点在 于:动作采集过程中，需要传感器的物理位置及其与人体的相对位置比较固定，不适用于需 要随身携带的便携性设备;传感器产生的数据量非常大，图像处理过程往往需要功能强大 的DSP和FPGA才能完成，不适用于低成本、低功耗的应用场景。
[0005] 基于运动传感器的动作识别技术主要是基于MEMSS轴加速度传感器的。MEMS传感 器是采用微电子和微机械加工技术制造出来的新型传感器，该传感器具有体积小，重量轻， 成本低，功耗低，可靠性高，数据量少，控制方便等优点，适用于可穿戴设备等嵌入式应用。 从动作的采集方式上划分，基于该传感器的动作识别方法主要包括两类:基于单个Ξ轴加 速度传感器的动作识别方法和基于多个传感器的动作识别方法。运两类方法的主要缺点在 于:基于单个Ξ轴加速度传感器的动作识别方法能够识别的动作相对简单，能够区分的动 作数目也比较少;基于多个Ξ轴加速度传感器的动作识别方法虽然能够区分的动作数目有 所增加，但运类方法通常需要将传感器绑缚于人体的各个部位上，运会给使用者带来不便。
[0006] 实际上，目前同时具有Ξ轴加速度和Ξ轴角速度采集功能的MEMS六轴传感器已经 非常普遍。为了满足哑铃运动中更复杂的动作识别需求，结合MEMS传感器的优点，设计实现 一种基于单个MEMS六轴传感器的动作识别方法将有十分重要的意义。
【发明内容】
[0007] 本发明设计开发了一种面向智能哑铃的上肢运动识别方法，克服现有动作识别准 确率差的缺陷，使用单个六轴运动传感器采集Ξ轴加速度和Ξ轴角速度数据，实现对特定 动作的识别。
[000引本发明提供的技术方案为：
[0009] -种面向智能哑铃的上肢运动识别方法，包括如下步骤：
[0010] 步骤一、使用传感器连续采集多种标准上肢运动中哑铃在空间直角坐标系中的Ξ 轴加速度和Ξ轴角速度；
[0011] 步骤二、将步骤一中采集的Ξ轴加速度分解为Ξ轴线性加速度和Ξ轴重力加速 度；
[0012] 步骤Ξ、计算步骤二中的Ξ轴线性加速度的平均值，并将该平均值由正向过零点 作为一个周期的起始点，获取一个周期的Ξ轴线性加速度数据、Ξ轴重力加速度数据和Ξ 轴角速度数据；
[0013] 步骤四、将步骤Ξ中获取的数据依次经纵向标准化和横向标准化，得到每种标准 上肢运动的9个特征数据βυ，i e [ 1，9]，j e [ 1，Μ]，i表示为第i个特征数据，j表示第巧巾标准 上肢运动，Μ为标准上肢运动的种类；
[0014] 步骤五、使用传感器采集待识别上肢运动中哑铃在空间直角坐标系中的Ξ轴加速 度和Ξ轴角速度；
[0015] 步骤六、将步骤五中采集的Ξ轴加速度分解为Ξ轴线性加速度和Ξ轴重力加速 度；
[0016] 步骤屯、计算步骤六中的Ξ轴线性加速度的平均值，并将该平均值由负值变为正 值的点作为一个周期的起始点，获取一个周期的Ξ轴重力加速度数据、Ξ轴线性加速度数 据、和Ξ轴角速度数据；
[0017] 步骤八、将步骤屯中获取的数据依次纵向标准化和横向标准化，得到待识别上肢 运动的9个特征数据ai，i e [1,9];
[0018] 步骤九、计算待识别上肢运动的9个特征数据αι与每种标准上肢运动的9个特征数 据0U的各相关系数的平均值
[0019]
[0020] 其中，ru=P(ai，ey)，ie[l，9]，je[l，M]，P〇为皮尔逊积矩相关系数函数；
[0021] 步骤十、查找1个^.中的最大值，其对应的第巧巾标准上肢运动即为识别结果。
[0022] 优选的是，步骤二和步骤六中，将采集的X轴的加速度Adx(n)、y轴的加速度Ady(n)、 Z轴的加速度Adz(n)经滤波系数为α的一阶低通滤波器进行加速度分解，得到X轴的线性加 速度Alx(n)和X轴重力加速度Agx(n)、y轴的线性加速度Aly(n)和y轴的重力加速度Agy(n)和 Z轴的线性加速度Alz(n)和Z轴的重力加速度Agiz(n)分别为：
[0023] Agx(l)=0,Agy(l)=0,Agz(l)=0；
[0024] Agx(n) = α XAdx(n) + ( 1-α) XAgx(n-l)，Agy(n) = α XAdy(n) + (l-a) X Agy(n-l)，Agz (n) = a X Adz (n) + (1 ~a) X Agz (n~l),n = 2,3,. . . ,N；
[0025] Alx(n) =Adx(n)-Agx(n)，Aly(n) =Ady(n)-Agy(n)，Alz(n) =Adz(n)-Agz(n)，n= 1, 2,...,N；
[0026] 其中，n为采样点序号，N为采样点个数，
[0027] 优选的是，步骤一中，标准上肢运动为6种，分别为侧平举、弯举、胸前至两侧平举、 肩部推举、手屈上提、Ξ头肌高位拉伸。
[0028] 优选的是，步骤四和步骤八中，将一个周期的Ξ轴重力加速度数据A1/(η)、A1/ (n)、Alz' (η)、Ξ轴线性加速度数据Agx' (n)、Ag/ (n)、Agz' (η)、Ξ轴角速度数据Gx' (n)、Gx' (η)、G/ (η)，进行纵向标准化，得到
[0042] t为周期长度。
[0043] 优选的是，步骤四和步骤八中，横向标准化过程为：
[0044] 若*>切，则在经纵向标准化后的数据中，删除序号为j的点，并且j满足：
[0045]
[0046] 若*<切，则在数据/(i)，ie[l，t]的序号为j的点之后插入一点y"，使
[0047]
[004引其中
，:to为标准 周期长度；
[0049] 插入点后判断数据长度属否等于标准周期长度，不相等则继续插入数据点，直到 相等。
[0050] 本发明的有益效果是:本发明提供的面向智能哑铃的上肢运动识别方法，使用单 个六轴传感器对用户的上肢动作进行实时采集，运样可W在单个传感器上得到更多数据。 六轴传感器可W采集Ξ轴加速度和Ξ轴角速度数据，通过使用低通滤波器，又可W将Ξ轴 加速度分解为Ξ轴重力加速度和Ξ轴线性加速度。运样，针对每一种动作便可得到9组特征 数据，继而实现对更多动作的识别。本发明识别成本低，准确率高，平均识别率达到 94.17%。
【附图说明】
[0051] 图1为Ξ轴加速度曲线示意图。
[0052] 图2为Ξ轴线性加速度曲线示意图。
[0053] 图3为Ξ轴重力加速度曲线示意图。
[0化4]图4为六组标准上肢运动的特征曲线图。
【具体实施方式】
[0055] 下面结合附图对本发明做进一步的详细说明，W令本领域技术人员参照说明书文 字能够据W实施。
[0056] 本发明提供了一种面向智能哑铃的上肢运动识别方法，在哑铃上安装六轴加速度 传感器，首先通过六轴加速度传感器采集Μ组标准上肢运动的数据，建立识别模型。在本实 施例中，共采集六种标准上肢运动的数据，所述六种标准上肢运动分别为侧平举、弯举、胸 前至两侧平举、肩部推举、手屈上提、Ξ头肌高位拉伸，将上述六种标准上肢运动命名为Ml ~M6d
[0057] W第一组标准上肢运动为例，试验人员手持哑铃进行侧平举运动，使用安装与哑 铃上的六轴加速度传感器测量哑铃的空间直角坐标系中，X轴的加速度Adx(n)，y轴的加速 度Ady(n)、z轴的加速度Adz(n)，x轴方向的角速度Gx(n)、y轴的角速度Gx(n)、z轴的角速度Gx (11)，其中，11为采样点的序号，即11 = 1，2，...术賦1采样点个数，如图1所示。
[0058] 如图2、图3所示，使用滤波系数为α的一阶低通滤波器进行加速度分解，将X轴的加 速度Adx(n)分解为X轴的线性加速度Alx(n)和X轴重力加速度Agx(n)，将y轴的加速度Ady(n) 分解为y轴的线性加速度Aly(n)和y轴的重力加速度Agy(n)，将z轴的加速度Adz(n)分解为z 轴的线性加速度Alz(n)和Z轴的重力加速度Agz(n)，其中
[0059] Agx(l)=0,Agy(l)=0,Agz(l) =0；
[0060] Agx(n) = α XAdx(n) + ( 1-α) XAgx(n-l)，Agy(n) = α XAdy(n) + (l-a) X Agy(n-l)，Agz (n) =a XAdz(n) + (!-〇) XAgz(n-l) ,n = 2,3,. . . ,N；
[0061 ] Alx(n) =Adx(n)-Agx(n)，Aly(n) =Ady(n)-Agy(n)，Alz(n) =Adz(n)-Agz(n)，n= 1, 2,...,N。
[006^ 将Alx(n)、Aly(n)、Alz(n)取平均值
并查找该平均值由正 向过零点作为周期起始点，即该平均值由负值变为正值的点。一个周期起始点到下一个周 期起始点作为一个运动周期。其中一个周期起始点的序号为P，下一个周期起始点的序号为 q。
[0063] 因此得到了一个周期的数据，Alx(n)、Aly(n)、Alz(n)、Agx(n)、Agy(n)、Agz(n)、Gx (n)、Gx(n)、Gx(n)，n = p，p+l，. . .，q。将上述数据采样点的序号变为1到t，其中t为周期长度， 即令Alx(p)=Alx' (1)，. . .，Alx(q)=Alx' (t)，t = q-p+l。因此得到了一个周期的数据Alx' (η)、A]_y' (η)、Alz' (η)、Agx' (η)、Agy' (η)、Agz' (η)、Gx' (η)、Gx' (η)、Gx' (η)，n= 1,2,. . . ,t。
[0064] 将一个运动周期的数据进行纵向标准化，首先令
[0067]则将A1/ (η)、A1/ (η)、Alz' (η)、Gx' (η)、Gx' (η)、Gx' (η)分别纵向标准化后得到：
[0077]贝IJ将Agx' (n)、Ag/ (n)、Agz' (η)分别纵向标准化后得到：
[0081 ]通过上述纵向标准化后，得到了八.:("）、/4/::0)、/?Γ (")、％:'(")、聲':如）、 杂:(巧）、G:(巧）、G:(巧）、G;(")，ηΕ [1，t]。
[0082] 然后进行横向标准化，给定标准周期长度切，若*>切，则在一个运动周期内的数据 点比标准周期长度数据点要多，因此，需要将其中一些数据点删除，删除的点的序号j满足
[0083]
[0084] 若*<切，则在一个运动周期内的数据点比标准周期长度数据点要多，因此，需要 增加一些数据点，令原始数据为y*(n)，ne [1，t]，则在y*( j)的位置之后插入一点y"，时
[0087]插入点后判断数据长度属否等于标准周期长度，不相等则继续插入数据点，直到 相等。
[008引经过上述横向标准化后，得到了数化/?/Γ(")、八.Γ<>)、省Γ(巧）、4皆Γ(")、 如老Γ(Μ)、技Γ(巧)、G；?、馬?，nG[l，t0]。将上述9组数据，分别拟 合成x、y、z轴方向上的线性加速度、重力加速度、角速度的特征曲线，并存储到数据库中。
[0089]用同样的方法，获取其余5组标准上肢运动的9条特征曲线，如图4所示，完成6组标 准上肢运动识别模型的建立，记为eu，i e [1，9]，j e [1，6]，表示为第j组标准上肢运动的第 i个特征曲线。
[0090] 然后就可W对操作人员的待识别上肢运动进行识别。首先使用安装于哑铃上的六 轴加速度传感器，采集操作人员进行上肢运动时，哑铃在空间直角坐标系中，X轴的加速度 Adox(n)，y轴的加速度Adoy(n)、z轴的加速度Adoz(n)，x轴方向的角速度Gox(n)、y轴的角速度 G〇x(n)、z轴的角速度Gox(n)，其中，η为采样点的序号，即n=l，2,. . .，H，H为采样点个数。
[0091] 将Al〇x(n)、Al〇y(n)、Al〇z(n)取平均值
并查找该平均值 由正向过零点，作为周期起始点，一个周期起始点到下一个周期起始点作为一个运动周期， 得到一个周期的数据Alox' (η)、Al〇y' (η)、Al〇z' (η)、Ag〇x' (η)、Ag〇y' (η)、Ag〇z' (η)、G〇x' (η)、 Gox' (n)、G〇/ (η)，η=1，2，. . .，h，h为一周周期长度。
[0092] 将上述数据进行纵向标准化和横向标准化后，得到.4儒(《)、、
将上述9组数据，分别拟合成待识别动作的x、y、z轴方向上的线性加速度、重力加速度、角速 度的特征曲线，记为曰1，1￡[1，9]，表示为待识别动作的第1个特征曲线。
[0093] 采用皮尔逊积矩相关系数计算方法计算αι和βυ的相关系数rij
[0094] rij = P(ai，0ij)，ie[l，9]，je[l，6]
[OOM]然后计算每种动作各相关系数的平均值巧
[0096]
[0097] 查找6组标准上肢运动各相关系数平均值中的最大的一组，该值所对应的运个标 准上肢运动，即为识别结果。
[0098] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列 运用，它完全可W被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地 实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限 于特定的细节和运里示出与描述的图例。
【主权项】
1. 一种面向智能哑铃的上肢运动识别方法，其特征在于，包括如下步骤： 步骤一、使用传感器连续采集多种标准上肢运动中哑铃在空间直角坐标系中的三轴加 速度和三轴角速度； 步骤二、将步骤一中采集的三轴加速度分解为三轴线性加速度和三轴重力加速度； 步骤三、计算步骤二中的三轴线性加速度的平均值，并将该平均值由正向过零点作为 一个周期的起始点，获取一个周期的三轴线性加速度数据、三轴重力加速度数据和三轴角 速度数据； 步骤四、将步骤三中获取的数据依次经纵向标准化和横向标准化，得到每种标准上肢 运动的9个特征数据，i e [ 1，9]，j e [ I，M]，i表示为第i个特征数据，j表示第j种标准上肢 运动，M为标准上肢运动的种类； 步骤五、使用传感器采集待识别上肢运动中哑铃在空间直角坐标系中的三轴加速度和 三轴角速度； 步骤六、将步骤五中采集的三轴加速度分解为三轴线性加速度和三轴重力加速度； 步骤七、计算步骤六中的三轴线性加速度的平均值，并将该平均值由负值变为正值的 点作为一个周期的起始点，获取一个周期的三轴重力加速度数据、三轴线性加速度数据和 三轴角速度数据； 步骤八、将步骤七中获取的数据依次纵向标准化和横向标准化，得到待识别上肢运动 的9个特征数据ai，ie[l，9]; 步骤九、计算待识别上肢运动的9个特征数据〇1与每种标准上肢运动的9个特征数据βυ 的各相关系数的平均值&其中，rijiphijij)，i e [I，9]，j e [I，Μ]，ρ()为皮尔逊积矩相关系数函数； 步骤十、查找Mf 中的最大值，其对应的第j种标准上肢运动即为识别结果。2. 根据权利要求1所述的面向智能哑铃的上肢运动识别方法，其特征在于，步骤二和步 骤六中，将采集的X轴的加速度Adx(η )、y轴的加速度Ady (η )、z轴的加速度Adz (η)经滤波系数 为a的一阶低通滤波器进行加速度分解，得到X轴的线性加速度Alx(n)和X轴重力加速度Ag x (n)、y轴的线性加速度Aly(η)和y轴的重力加速度Agy(η)和z轴的线性加速度Al z(η)和z轴的 重力加速度Agiz(n)分别为： Agx(l)=0,Agy(l) = 0, Agz(I)=O; Agx(n) =a XAdx(n) + (l-a) XAgx(n-l)，Agy(n) = a XAdy(n) + (l-a) XAgy(n-l)，Agz(n)= a X Adz(n) + ( l_a) X Agz(n_l )，η = 2,3，···，Ν; Alx(n) =Adx(n)-Agx(n)，Aly(n) =Ady(n)-Agy(n)，Alz(n) = Adz(n)_Agz(n)，n = I， 2 , . . . , N ； 其中，n为采样点序号，N为采样点个数。3. 根据权利要求1或2所述的面向智能哑铃的上肢运动识别方法，其特征在于，步骤一 中，标准上肢运动为6种，分别为侧平举、弯举、胸前至两侧平举、肩部推举、手屈上提和三头 肌高位拉伸。4.根据权利要求3所述的面向智能哑铃的上肢运动识别方法，其特征在于，步骤四和步 骤八中，将一个周期的三轴重力加速度数据Al/ (η)、Α1/ (η)、Α1/ (η)、三轴线性加速度数 据Ag/ (n)、Ag/ (nhAg/ (η)、三轴角速度数据G/ (n)、G/ (n)、G/ (η)，进行纵向标准化，得 到t为周期长度。5.根据权利要求4所述的面向智能哑铃的上肢运动识别方法，其特征在于，步骤四和步 骤八中，横向标准化过程为： 则在经纵向标准化后的数据中，删除序号为j的点，并且j满足：若七<化，咖在数据，（i)，i e「l λ?的序号为i的点夕后插入一点v〃，#,t〇为标准周期长 度； 插入点后判断数据长度属否等于标准周期长度，不相等则继续插入数据点，直到相等。
【文档编号】A63B23/12GK105879301SQ201610423325
【公开日】2016年8月24日
【申请日】2016年6月14日
【发明人】何丽莉, 胡成全, 王凯, 曹英晖, 魏枫林, 白洪涛, 姜宇
【申请人】吉林大学