一种基于惯性动捕的网球击球稳定性评估方法

本发明涉及人工智能与运动科学领域，特别涉及一种基于惯性动捕的网球击球稳定性评估方法。

背景技术：

1、随着人们生活水平的日益提高，体育运动越来越受到大众的青睐。尤其网球运动由于其适中的运动量与趣味性受到了当代年轻人的喜爱。然而网球运动技术性强，入门门槛较高，往往需要专业教练的动作指导。因此，若通过数字化技术手段实现网球动作评估与分析，科学客观指导用户动作，实现网球教学由依赖教练经验到数据驱动的转变，即可快速纠正训练者的动作错误，提升技术水平，还能够节省大量人力资源成本与社会资源。

2、近年来随着人工智能技术的进步，在人体动作识别领域取得了进展，为网球动作识别打下了良好基础。然而基于图像的方法易受环境影响，存在遮挡问题，且应用成本高，使用传感器技术应用到运动领域进行动作识别虽然有研究，但缺少包括网球动作数据采集、动作特征提取、动作稳定性分析，动作数据集建立、识别的一整套系统方案，使训练者及时获知技术弱点，进行纠正。而在稳定性评估方面，现有研究多为人工评估难以量化或是选取一个标准动作进行对比，忽视运动员自身击球技术特征，使得评估结果不够准确。

技术实现思路

1、为了准确识别网球动作识别与击球稳定性评估，本发明提出一种基于惯性动捕的网球击球稳定性评估方法，具体包括以下步骤：

2、s1、利用惯性动捕套装捕捉训练者在不同类型下击球时的每一帧的多关节点的三维坐标及惯性传感器测量的惯性数据；

3、s2、根据设置的关节数量，构建关节点与t帧的骨骼序列时空图，该时空图表示一帧内各关节的三维空间信息以及帧与帧之间节点变化的时间信息；

4、s3、构建的基于图神经网络的动作识别网络，利用该网络对击球类型进行识别；

5、s4、识别出用户的击球类型后，随机选择两个相同类型的击球动作，使用动态时间扭曲算法计算两次击球的最优路径距离；

6、s5、对人体关节节点进行分组，计算每组关节节点的稳定性和权重，并利用权重对该组关节节点稳定性进行加权；

7、s6、将得到的加权稳定性进行百分制转换，得到最终的稳定性评价分数。

8、进一步的，惯性传感器测量的一个关节节点关节点的三维坐标即惯性数据包括该关节节点处的x轴角速度、y轴角速度、z轴角速度、x轴速度、y轴速度、z轴速度、x轴空间坐标、y轴空间坐标、z轴空间坐标。

9、进一步的，基于图神经网络的动作识别网络包括依次连接的归一化层、第一gcn层、第一tcn层，第一激活函数relu、第二gcn层、第二tcn层、第二激活函数relu、第三gcn层、第三tcn层、第三激活函数relu、全局池化层、全连接层组成，其中第一tcn层、第一gcn层的输出有64通道，第二tcn层、第二gcn层的输出有128通道，第三tcn层、第三gcn层的输出有256通道。

10、进一步的，使用动态时间扭曲算法计算两次击球的最优路径距离的过程包括：

11、采集训练者相同击球类型下的m次击球数据，每次击球选择60帧数据，第i次击球的数据表示为：

12、m＝[a1(t-30),…,an(t-30),…,a1t,…,ant,…,a1(t+29),…,an(t+29)]；

13、其中，ant表示t时刻第n个关节点第0帧的击球特征，帧数的取值范围为{-30,-29,…,0,…,29}，m为大于2的整数；

14、随机选择两个击球数据进行组合，得到m/2个组合数据，使用动态时间扭曲算法计算每个组合的最优路径距离。

15、进一步的，使用动态时间扭曲算法计算每个组合的最优路径距离，表示为：

16、

17、其中，dtw(mi，nj)表示长度为i的击球特征序列mi和长度为j的击球特征序列nj之间的最优路径距离；d(m[i]，n[j])表示球特征序列m中第i个元素m[i]与击球特征序列n中第j个元素n[j]之间的距离，每个元素由关节节点处的三轴角速度、三轴速度以及三轴坐标这些传感器采集的特征构成。

18、进一步的，加权稳定性表示为：

19、

20、其中，stab为加权稳定性；ωθ为第θ组关节节点集合的权重；sθ为第θ组关节节点集合的击球稳定性；为第r组击球序列中第θ组关节节点集合的dtw距离，若采集m次击球动作序列，将击球序列两两组合，得到m/2组击球序列，mi、nj表示一组击球序列中的两个击球序列。

21、进一步的，第θ组关节节点的权重ωθ表示为：

22、

23、其中，qθ表示第θ个关节节点集合，k为对应关节点，|qθ|为集合qθ中元素数量；i(ak；c)表示击球序列特征与击球类别之间互信息，ak表示击球序列中基于imu传感器所测得特征集合，c表示击球类型集合。

24、进一步的，击球序列特征与击球类别之间互信息i(ak；c)表示为：

25、

26、其中，p(x，y)表示特征x和击球类型标签y的联合概率分布；p(x)表示特征x的概率分布；p(y)表示击球类型标签y的概率分布。

27、进一步的，最终的稳定性评价分数表示为：

28、ssorce＝100-93*stab0.96

29、其中，ssorce为最终的稳定性评价分数；stab为加权稳定性。

30、与现有技术相比，本发明能够更加准确识别网球动作识别，并且能够击球稳定性评估结果更加准确。

技术特征：

1.一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，惯性传感器测量的一个关节节点关节点的三维坐标即惯性数据包括该关节节点处的x轴角速度、y轴角速度、z轴角速度、x轴速度、y轴速度、z轴速度、x轴空间坐标、y轴空间坐标、z轴空间坐标。

3.根据权利要求1所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，基于图神经网络的动作识别网络包括依次连接的归一化层、第一gcn层、第一tcn层，第一激活函数relu、第二gcn层、第二tcn层、第二激活函数relu、第三gcn层、第三tcn层、第三激活函数relu、全局池化层、全连接层组成，其中第一tcn层、第一gcn层的输出有64通道，第二tcn层、第二gcn层的输出有128通道，第三tcn层、第三gcn层的输出有256通道。

4.根据权利要求1所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，使用动态时间扭曲算法计算两次击球的最优路径距离的过程包括：

5.根据权利要求4所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，使用动态时间扭曲算法计算每个组合的最优路径距离，表示为：

6.根据权利要求1所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，加权稳定性表示为：

7.根据权利要求6所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，第θ组关节节点的权重ωθ表示为：

8.根据权利要求6所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，击球序列特征与击球类别之间互信息i(ak；c)表示为：

9.根据权利要求1所述的一种基于惯性动捕的网球击球稳定性评估方法，其特征在于，最终的稳定性评价分数表示为：

技术总结
本发明涉及人工智能与运动科学领域，特别涉及一种基于惯性动捕的网球击球稳定性评估方法，包括构建关节点与T帧的骨骼序列时空图，该时空图表示一帧内各关节的三维空间信息以及帧与帧之间节点变化的时间信息；构建的基于图神经网络的动作识别网络，利用该网络对击球类型进行识别；识别出用户的击球类型后，随机选择两个相同类型的击球动作，使用动态时间扭曲算法计算两次击球的最优路径距离；对人体关节节点进行分组，计算每组关节节点的稳定性和权重，并利用权重对该组关节节点稳定性进行加权；将得到的加权稳定性进行百分制转换，得到最终的稳定性评价分数；本发明能够更加准确识别网球动作识别，并且能够击球稳定性评估结果更加准确。

技术研发人员：胡峰,张鑫然,杨永亮
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/15