CN108686363A - 动作评价的方法和装置 - Google Patents
动作评价的方法和装置 Download PDFInfo
- Publication number
- CN108686363A CN108686363A CN201710232620.1A CN201710232620A CN108686363A CN 108686363 A CN108686363 A CN 108686363A CN 201710232620 A CN201710232620 A CN 201710232620A CN 108686363 A CN108686363 A CN 108686363A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- feature
- status switch
- record
- action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
- A63B2220/836—Sensors arranged on the body of the user
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及动作评价方法和装置。该方法包括:从通过传感器采集的记录中抽取特征,记录包含一个动作的多个数据点;确定所抽取的特征中包括的多个基本动作;利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对记录的评价值。根据本发明的方法和装置可以准确地对每个动作进行评价,从而判断用户的某个动作做的是否规范,进而知道如何改进。此外,还可以解决由于握拍的方向不同而导致的传感器采集来的数据不同的问题。
Description
技术领域
本发明涉及传感器采集数据处理领域,更具体地涉及一种动作评价的方法和装置。
背景技术
随着传感器的发展,越来越多的传感器被广泛应用到各个领域。近年来,可穿戴式传感器在运动训练方面得到极大的关注。使用可穿戴传感器辅助运动训练能提供更高性价比的解决方案。
在运动训练中,特别是业余运动人群中,想要提高自己的运动水平,需要请教练进行针对性的指导。高昂的费用让很多人承担不起。越来越普及的可穿戴式传感器解决了这样的难题。可穿戴传感器通常包括:加速度计、陀螺仪和磁力计。加速计是可以感知任意方向上的加速度,加速计通过测量组件在某个轴向的受力情况来得到结果,表现形式为轴向的加速度大小和方向(XYZ)。陀螺仪通过测量三维坐标系内陀螺转子的垂直轴与设备之间的夹角,并计算角速度,通过夹角和角速度来判别物体在三维空间的运动状态。磁力计也叫地磁、磁感器,可用于测试磁场强度和方向,定位设备的方位,磁力计的原理跟指南针原理类似,可以测量出当前设备与东南西北四个方向上的夹角。
在实际应用中,由于应用、误差修正、误差补偿需要,往往会结合使用上述传感器,充分利用每种传感器的特长,让最终的运算结果更准确,比如同时使用磁力计和加速计来运算出方位计,运算出的方位信息需要同时结合磁场方向和方向运动情况才能得到。
将这样的可穿戴设备安装在运动设备上,比如球拍上、鞋上等。可以很容易的计算出运动员动作的次数,比如现在常见的计步器,可戴在手上、穿在鞋里或放在口袋里。计步器采集到传感器传送的数据并通过一定的算法就可以计算出用户走步的次数。安装在球拍上的传感器目前也能做到计算用户运动的次数,比如挥拍的次数,还有的设备可以计算出用户做某个特定动作的次数,比如发球的次数、杀球的次数等。
目前存在的难题是,如何通过传感器的数据来判断用户某个动作做的是否规范、怎么改进,这是运动训练的最主要的需求。只有能准确的对每个动作进行评价,才能全部或部分取代教练的作用。因此如何评价动作的好坏是需要解决的一个问题。
另外,在需要将传感器安装在手持式设备上的时候,比如羽毛球拍、网球拍等。由于握拍的方向不同而导致的传感器采集来的数据不同的问题目前无法解决。
因此,需要一种能够解决上述问题的动作评价方法和装置。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明的一个主要目的在于,提供了一种动作评价方法,包括:从通过传感器采集的记录中抽取特征,记录包含一个动作的多个数据点;确定所抽取的特征中包括的多个基本动作;利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对记录的评价值。
根据本发明的一个方面,提供一种动作评价装置,包括:特征抽取单元,被配置为从通过传感器采集的记录中抽取特征,记录包含一个动作的多个数据点;基本动作确定单元,被配置为确定所抽取的特征中包括的多个基本动作;评价状态序列确定单元,被配置为利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及评价单元,被配置为将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对记录的评价值。
另外,本发明的实施例还提供了用于实现上述方法的计算机程序。
此外,本发明的实施例还提供了至少计算机可读介质形式的计算机程序产品,其上记录有用于实现上述方法的计算机程序代码。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
参照下面结合附图对本发明实施例的说明,会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1示出了根据本发明的动作评价方法的简化流程图;
图2示出了根据本发明的一个实施例的动作评价方法200的示例性过程的流程图;
图3是示出图2中的步骤S202的一种示例性过程的流程图;
图4示出了对待处理片段的旋转;
图5示出了训练得到评价模型的一种示例性过程500的流程图;
图6是示出根据本发明的另一个实施例的动作评价装置600的示例性配置的框图;
图7是示出图6中的特征抽取单元602的一种示例性配置的框图;以及
图8是示出可以用于实施本发明的动作评价方法和装置的计算设备的示例性结构图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与***及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的设备结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明提出了一种动作评价方法,其可以通过计算每个数据片段的相对角度将其旋转到正常坐标系来抽取特征,在观测到的已抽取的特征的基础上确定所包括的基本动作,计算对基本动作进行评价的最优评价状态序列,并和已知的标准评价状态序列计算编辑距离来对动作进行评价。
下面结合附图详细说明根据本发明的实施例的动作评价方法和装置。下文中的描述按如下顺序进行:
1.动作评价方法
2.动作评价装置
3.用以实施本发明的方法和装置的计算设备
[1.动作评价方法]
图1示出了根据本发明的动作评价方法的简化流程图。从图1可以看到,根据本发明的动作评价方法首先用传感器采集数据,然后进行特征抽取,接着进行基本动作的识别以及评价状态序列匹配,最后可以根据评价状态序列对动作进行评分。
图2示出了根据本发明的一个实施例的动作评价方法200的示例性过程的流程图。下面将结合图2具体说明动作评价方法200的过程。
首先,在步骤S202中,从通过传感器采集的记录中抽取特征,一条记录包含一个动作的多个数据点。
通过可穿戴传感器采集的记录包含某个动作(比如:肩部转动、扩胸、抬肘、挥臂)的若干数据点。由于通常使用多个传感器(加速度计、陀螺仪、磁力计),而每个传感器通常又有多个维度。这样每个数据点通常会包含多个维度。比如对于最常见的加速度计、陀螺仪、磁力计三个传感器,每个传感器都有三个轴,因此对于每个传感器分别具有x、y和z三维的读数。
通常说来,每个动作的完成都需要经历一定的时间。这样每个数据点上会有一个时间戳记。从这个角度上来说,每个动作的数据可以看成是时间序列。这样可以使用传统的时间序列特征抽取方法,比如快速傅里叶变换、小波变换等。
图3是示出图2中的步骤S202(即,从通过传感器采集的记录中抽取特征)的一种示例性过程的流程图。
如图3所示,在步骤S2022中,将记录包含的数据点分割为多个片段。
具体地,将每个记录分割成若干长度相等的片段(也可称为窗口),例如,片段(窗口)大小为N意味着每个片段包含N个数据点。
在采集到的各维数据上,每一维的数据都和传感器自身的方向相关。传感器自身方向不同导致采集到的数据也不相同,抽取出来的特征也不相同。例如,同样的抬肘动作,在传感器方向相反的情况下,采集到的数据则是方向相反的。如果不做任何处理的话,会被归为不同的动作。
因此,在步骤S2024中,对于分割的每个片段执行以下处理:
首先计算每一个传感器的数据点的方向。
在一个示例中,采用以下公式1-3来计算N*3(一个片段包括N个数据点,一个数据点有3维)矩阵中的数据点的方向:
direction=avgbegin-avgend 式3
其中,Di是时间点i上的数据。在式1中,avgbegin是在时间序列上的前25%的数据的均值,式2中,avgend是在时间序列上的后25%的数据的均值,在式3中,用avgbegin减去avgend来计算该N*3矩阵的方向(direction)。
上面计算的方向是在片段内计算,可选地,也可以在片段之间计算方向。因此存在两类方向:片段内的方向和片段之间的方向。片段之间的方向的计算方法与片段内的方向的计算方法类似,在此不做赘述。
接着,确定垂直于该方向(direction)并且经过该片段中的数据点Di的法向量(normal)。
然后,将该N*3矩阵中的所有数据点进行旋转,使得方向向量和法向量的方向与传感器的对应轴的方向一致,即方向向量和法向量的方向分别平行于(0,0,1)和(1,0,0)。
参照图4,左侧的曲线示出了待处理的片段以及该片段的方向向量(direction)和法向量(normal),图4右侧示出了对方向向量和法向量进行旋转使其与传感器的对应轴的方向一致。
然后,可以将所有旋转的数据按照时间顺序连接在一起作为该片段的特征。
最后,在步骤S2026中,将所有片段的特征连接在一起作为从该记录中抽取的特征。
通过步骤S202,从记录中抽取了特征。
接着,在步骤S204中,确定所抽取的特征中包括的多个基本动作。
在本发明中,基本动作被定义为动作的最小单元或者子动作,通过组合基本动作可以构成所有的复杂动作。
优选地,使用聚类的方法将抽取出的所有特征聚成若干类,比如K类。在这里,聚类的目的就是希望能更好的得到基本动作。
例如,一个扣球(smash)动作可以具有若干基本动作,比如:肩部转动、手臂伸展、抬肘、挥臂。
另外,可以根据每个记录的动作标签将所有的记录划分为若干动作类别,比如M类。记录的动作标签可以在采集训练数据时获得,比如可以采集若干组不同的动作(挥拍、杀球等),每一次采集作为一个记录。
在通过聚类的方法得到基本动作集合以后,可以通过计算互信息的方法来计算每个基本动作和动作类别之间的互信息,并以该互信息量作为每个基本动作的权重。基本动作的权重表示该基本动作对于当前动作类别的重要程度。
在一个示例中,可以通过下式来计算基本动作与动作类别之间的互信息。
MI(B,C)=log(P(B|C)/P(B))
其中,B表示基本动作,C表示动作类别,MI(B,C)表示基本动作与动作类别之间的互信息。
接下来,在步骤S206中,利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列。
在本发明中,评价状态序列被定义成包括基本动作的序列或者包括基本动作及其评价值的序列。
包括基本动作的评价状态序列例如可以是“转体、抬肘、挥臂”,这种评价状态序列不考虑基本动作的完成程度,而只考虑是否出现了该基本动作。包括基本动作及其评价值的评价状态序列例如可以是“转体|5、抬肘|3、挥臂|5”。在包括评价值的评价状态序列中,“|”之后的数字“5”、“3”是评价值,评价值是代表该基本动作完成的好坏程度。
这里预先存储的评价模型可以通过训练来得到。
图5示出了训练得到评价模型的一种示例性过程500的流程图。
首先,在步骤S502中,通过传感器采集训练数据来构造训练集。
接着,在步骤S504中,对于训练集中的每个记录执行以下处理:
从每个记录中抽取特征,一个记录包含一个动作的多个数据点;确定所抽取的特征中的多个基本动作;基于多个基本动作构成评价状态序列或者对多个基本动作分别进行评分并基于多个基本动作和对每个基本动作的评分构成评价状态序列。
在对每个记录都执行了上述处理之后,在步骤S506中,可以获得从训练集中抽取的所有特征的集合F:{f1,f2,…,fi}以及所有评价状态序列的集合Y:{y1,y2,…,yj}。
在训练评价模型的过程中,从每个记录中抽取特征和确定所抽取的特征中的多个基本动作的处理可以采用与以上关于步骤S202和S204所描写的处理相同的处理来进行。
对于一个记录而言,利用评价模型通常会得到多种可能的评价状态序列Y1,Y2,…,Ym,其中Y1、Y2、Ym分别是Y的子集。
需要在这些可能的评价状态序列中,找到最优的评价状态序列,即在所抽取的特征为f的情况下具有最大概率的评价状态序列Y*。
在一个示例中,可以通过下式计算最优的状态序列Y*:
Y*=arg max p(Y|f)。
此处得到的Y*被用来对记录进行最终的评价。
最后,在步骤S208中,将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对记录的评价值。
具体地,在得到最优的评价状态序列Y*以后,可以通过计算Y*和预先存储的最好的或者最标准的评价状态序列(Yp)之间的编辑距离来确定对该记录的评价值。
在本发明中,编辑距离的权重可以预先定义或者在训练集中通过训练得到。
本发明提出了一种动作评价方法,其可以通过计算每个数据片段的相对角度将其旋转到正常坐标系来抽取特征,在观测到的已抽取的特征的基础上确定所包括的基本动作,计算对基本动作进行评价的最优评价状态序列,并和已知的标准评价状态序列计算编辑距离来对动作进行评价。
根据本发明的动作评价方法可以准确地对每个动作进行评价,从而判断用户的某个动作做的是否规范,进而知道如何改进。此外,还可以解决由于握拍的方向不同而导致的传感器采集来的数据不同的问题。
2.动作评价装置
图6是示出根据本发明的另一个实施例的动作评价装置600的示例性配置的框图。
如图6所示,动作评价装置600包括特征抽取单元602、基本动作确定单元604、评价状态序列确定单元606以及评价单元608。
其中,特征抽取单元602被配置为从通过传感器采集的记录中抽取特征,记录包含一个动作的多个数据点。
基本动作确定单元604被配置为确定所抽取的特征中包括的多个基本动作。
评价状态序列确定单元606被配置为利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列。
评价单元608被配置为将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对记录的评价值。
图7是示出图6中的特征抽取单元602的一种示例性配置的框图。
如图7所示,特征抽取单元602包括片段分割子单元6022、片段处理子单元6024和特征抽取子单元6026。
其中,片段分割子单元6022被配置为将记录包含的数据点分割为多个片段。
片段处理子单元6024被配置为针对每个片段执行以下处理:计算该片段中的数据点的方向;确定垂直于方向并且经过该片段中的一个数据点的法相向量;将该片段中的所有数据点进行旋转,使得方向和法向量的方向与传感器的对应轴的方向一致;以及将所有旋转的数据连接在一起作为该片段的特征。
特征抽取子单元6026被配置为将所有片段的特征连接在一起作为从记录中抽取的特征。
其中,片段处理子单元6024进一步被配置为:用前第一预定百分比的数据点的平均值减去后第二预定百分比的数据点的平均值来计算方向。
其中,基本动作确定单元604进一步被配置为:通过聚类方法确定所抽取的特征中的多个基本动作。
其中,基本动作确定单元604进一步被配置为:确定记录所属于的动作类别;以及基于动作类别确定每个基本动作的权重。
其中,基本动作确定单元604进一步被配置为:通过计算基本动作与动作类别之间的互信息来确定基本动作的权重。
其中,评价状态序列的元素包括所抽取的特征中的基本动作。
其中,评价状态序列的元素包括所抽取的特征中的基本动作和对该基本动作的评分。
其中,评价状态序列确定单元606进一步被配置为:利用评价模型确定对于记录所有可能的评价状态序列;确定在所抽取的特征的情况下具有最大概率的评价状态序列。
其中,预先存储的评价模型通过以下过程训练得到:
通过传感器采集训练数据来构造训练集;
对于训练集中的每个记录执行以下处理:从记录中抽取特征,记录包含一个动作的多个数据点;确定所抽取的特征中的多个基本动作;基于多个基本动作构成评价状态序列或者对多个基本动作分别进行评分并基于多个基本动作和对每个基本动作的评分构成评价状态序列;以及
获得从训练集中抽取的所有特征的集合以及所有评价状态序列的集合。
关于动作评价装置600的各个部分的操作和功能的细节可以参照结合图1-5描述的本发明的动作评价方法的实施例,这里不再详细描述。
在此需要说明的是,图6和图7所示的动作评价装置600及其组成单元的结构仅仅是示例性的,本领域技术人员可以根据需要对图6和图7所示的结构框图进行修改。
本发明提出了一种动作评价方法和装置,其可以通过计算每个数据片段的相对角度将其旋转到正常坐标系来抽取特征,在观测到的已抽取的特征的基础上确定所包括的基本动作,计算对基本动作进行评价的最优评价状态序列,并和已知的标准评价状态序列计算编辑距离来对动作进行评价。
根据本发明的动作评价方法和装置可以准确地对每个动作进行评价,从而判断用户的某个动作做的是否规范,进而知道如何改进。此外,还可以解决由于握拍的方向不同而导致的传感器采集来的数据不同的问题。
[3.用以实施本申请的方法和装置的计算设备]
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
在通过软件和/或固件实现本发明的实施例的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图8所示的通用计算机800安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。
在图8中,中央处理单元(CPU)801根据只读存储器(ROM)802中存储的程序或从存储部分808加载到随机存取存储器(RAM)803的程序执行各种处理。在RAM 803中,也根据需要存储当CPU 801执行各种处理等等时所需的数据。CPU 801、ROM 802和RAM 803经由总线804彼此链路。输入/输出接口805也链路到总线804。
下述部件链路到输入/输出接口805:输入部分806(包括键盘、鼠标等等)、输出部分807(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分808(包括硬盘等)、通信部分809(包括网络接口卡比如LAN卡、调制解调器等)。通信部分809经由网络比如因特网执行通信处理。根据需要,驱动器810也可链路到输入/输出接口805。可拆卸介质811比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器810上,使得从中读出的计算机程序根据需要被安装到存储部分808中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质811安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图8所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质811。可拆卸介质811的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 802、存储部分808中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本发明还提出一种存储有机器可读取的指令代码的程序产品。指令代码由机器读取并执行时,可执行上述根据本发明实施例的方法。
相应地,用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等。
本领域的普通技术人员应理解,在此所例举的是示例性的,本发明并不局限于此。
在本说明书中,“第一”、“第二”以及“第N个”等表述是为了将所描述的特征在文字上区分开,以清楚地描述本发明。因此,不应将其视为具有任何限定性的含义。
作为一个示例,上述方法的各个步骤以及上述设备的各个组成模块和/或单元可以实施为软件、固件、硬件或其组合,并作为相应设备中的一部分。上述装置中各个组成模块、单元通过软件、固件、硬件或其组合的方式进行配置时可使用的具体手段或方式为本领域技术人员所熟知,在此不再赘述。
作为一个示例,在通过软件或固件实现的情况下,可以从存储介质或网络向具有专用硬件结构的计算机(例如图8所示的通用计算机800)安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其他实施方式中使用,与其他实施方式中的特征相组合,或替代其他实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其他特征、要素、步骤或组件的存在或附加。
此外,本发明的方法不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
本发明及其优点,但是应当理解在不超出由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且,本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员从本发明的公开内容将容易理解,根据本发明可以使用执行与在此的相应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来要被开发的过程、设备、手段、方法或者步骤。因此,所附的权利要求旨在在它们的范围内包括这样的过程、设备、手段、方法或者步骤。
基于以上的说明,可知公开至少公开了以下技术方案:
附记1、一种动作评价方法,包括:
从通过传感器采集的记录中抽取特征,所述记录包含一个动作的多个数据点;
确定所抽取的特征中包括的多个基本动作;
利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及
将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对所述记录的评价值。
附记2、根据附记1所述的方法,其中,从通过传感器采集的记录中抽取特征包括:
将所述记录包含的数据点分割为多个片段;
针对每个片段执行以下处理:
计算该片段中的数据点的方向;
确定垂直于所述方向并且经过该片段中的一个数据点的法相向量;
将该片段中的所有数据点进行旋转,使得所述方向和所述法向量的方向与所述传感器的对应轴的方向一致;以及
将所有旋转的数据连接在一起作为该片段的特征;以及
将所有片段的特征连接在一起作为从所述记录中抽取的特征。
附记3、根据附记2所述的方法,其中,计算该片段中的数据点的方向包括:用前第一预定百分比的数据点的平均值减去后第二预定百分比的数据点的平均值来计算所述方向。
附记4、根据附记1所述的方法,其中,确定所抽取的特征中的多个基本动作包括:
通过聚类方法确定所抽取的特征中的多个基本动作。
附记5、根据附记4所述的方法,其中,确定所抽取的特征中的多个基本动作进一步包括:
确定所述记录所属于的动作类别;以及
基于所述动作类别确定每个基本动作的权重。
附记6、根据附记5所述的方法,其中,基于所述动作类别确定每个基本动作的权重包括:
通过计算所述基本动作与所述动作类别之间的互信息来确定基本动作的权重。
附记7、根据附记1所述的方法,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作。
附记8、根据附记1所述的方法,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作和对该基本动作的评分。
附记9、根据附记1所述的方法,其中,利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列包括:
利用所述评价模型确定对于所述记录所有可能的评价状态序列;
确定在所抽取的特征的情况下具有最大概率的评价状态序列。
附记10、根据附记1所述的方法,其中,所述预先存储的评价模型通过以下步骤训练得到:
通过传感器采集训练数据来构造训练集;
对于所述训练集中的每个记录执行以下处理:
从记录中抽取特征,所述记录包含一个动作的多个数据点;
确定所抽取的特征中的多个基本动作;
基于所述多个基本动作构成评价状态序列或者对所述多个基本动作分别进行评分并基于多个基本动作和对每个基本动作的评分构成评价状态序列;以及
获得从所述训练集中抽取的所有特征的集合以及所有评价状态序列的集合。
附记11、一种动作评价装置,包括:
特征抽取单元,被配置为从通过传感器采集的记录中抽取特征,所述记录包含一个动作的多个数据点;
基本动作确定单元,被配置为确定所抽取的特征中包括的多个基本动作;
评价状态序列确定单元,被配置为利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及
评价单元,被配置为将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对所述记录的评价值。
附记12、根据附记11所述的装置,其中,所述特征抽取单元包括:
片段分割子单元,被配置为将所述记录包含的数据点分割为多个片段;
片段处理子单元,被配置为针对每个片段执行以下处理:
计算该片段中的数据点的方向;
确定垂直于所述方向并且经过该片段中的一个数据点的法相向量;
将该片段中的所有数据点进行旋转,使得所述方向和所述法向量的方向与所述传感器的对应轴的方向一致;以及
将所有旋转的数据连接在一起作为该片段的特征;以及
特征抽取子单元,被配置为将所有片段的特征连接在一起作为从所述记录中抽取的特征。
附记13、根据附记12所述的装置,其中,所述片段处理子单元进一步被配置为:用前第一预定百分比的数据点的平均值减去后第二预定百分比的数据点的平均值来计算所述方向。
附记14、根据附记11所述的装置,其中,所述基本动作确定单元进一步被配置为:
通过聚类方法确定所抽取的特征中的多个基本动作。
附记15、根据附记14所述的装置,其中,所述基本动作确定单元进一步被配置为:
确定所述记录所属于的动作类别;以及
基于所述动作类别确定每个基本动作的权重。
附记16、根据附记15所述的装置,其中,所述基本动作确定单元进一步被配置为:
通过计算所述基本动作与所述动作类别之间的互信息来确定基本动作的权重。
附记17、根据附记11所述的装置,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作。
附记18、根据附记11所述的装置,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作和对该基本动作的评分。
附记19、根据附记11所述的装置,其中,所述评价状态序列确定单元进一步被配置为:
利用所述评价模型确定对于所述记录所有可能的评价状态序列;
确定在所抽取的特征的情况下具有最大概率的评价状态序列。
附记20、根据附记11所述的装置,其中,所述预先存储的评价模型通过以下过程训练得到:
通过传感器采集训练数据来构造训练集;
对于所述训练集中的每个记录执行以下处理:
从记录中抽取特征,所述记录包含一个动作的多个数据点;
确定所抽取的特征中的多个基本动作;
基于所述多个基本动作构成评价状态序列或者对所述多个基本动作分别进行评分并基于多个基本动作和对每个基本动作的评分构成评价状态序列;以及
获得从所述训练集中抽取的所有特征的集合以及所有评价状态序列的集合。
Claims (10)
1.一种动作评价方法,包括:
从通过传感器采集的记录中抽取特征,所述记录包含一个动作的多个数据点;
确定所抽取的特征中包括的多个基本动作;
利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及
将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对所述记录的评价值。
2.根据权利要求1所述的方法,其中,从通过传感器采集的记录中抽取特征包括:
将所述记录包含的数据点分割为多个片段;
针对每个片段执行以下处理:
计算该片段中的数据点的方向;
确定垂直于所述方向并且经过该片段中的一个数据点的法相向量;
将该片段中的所有数据点进行旋转,使得所述方向和所述法向量的方向与所述传感器的对应轴的方向一致;以及
将所有旋转的数据连接在一起作为该片段的特征;以及
将所有片段的特征连接在一起作为从所述记录中抽取的特征。
3.根据权利要求1所述的方法,其中,确定所抽取的特征中的多个基本动作包括:
通过聚类方法确定所抽取的特征中的多个基本动作。
4.根据权利要求3所述的方法,其中,确定所抽取的特征中的多个基本动作进一步包括:
确定所述记录所属于的动作类别;以及
基于所述动作类别确定每个基本动作的权重。
5.根据权利要求4所述的方法,其中,基于所述动作类别确定每个基本动作的权重包括:
通过计算所述基本动作与所述动作类别之间的互信息来确定基本动作的权重。
6.根据权利要求1所述的方法,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作。
7.根据权利要求1所述的方法,其中,所述评价状态序列的元素包括所抽取的特征中的基本动作和对该基本动作的评分。
8.根据权利要求1所述的方法,其中,利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列包括:
利用所述评价模型确定对于所述记录所有可能的评价状态序列;
确定在所抽取的特征的情况下具有最大概率的评价状态序列。
9.根据权利要求1所述的方法,其中,所述预先存储的评价模型通过以下步骤训练得到:
通过传感器采集训练数据来构造训练集;
对于所述训练集中的每个记录执行以下处理:
从记录中抽取特征,所述记录包含一个动作的多个数据点;
确定所抽取的特征中的多个基本动作;
基于所述多个基本动作构成评价状态序列或者对所述多个基本动作分别进行评分并基于多个基本动作和对每个基本动作的评分构成评价状态序列;以及
获得从所述训练集中抽取的所有特征的集合以及所有评价状态序列的集合。
10.一种动作评价装置,包括:
特征抽取单元,被配置为从通过传感器采集的记录中抽取特征,所述记录包含一个动作的多个数据点;
基本动作确定单元,被配置为确定所抽取的特征中包括的多个基本动作;
评价状态序列确定单元,被配置为利用预先存储的评价模型确定用于对所抽取的特征中包括的多个基本动作进行评价的评价状态序列;以及
评价单元,被配置为将所确定的评价状态序列与预先存储的标准评价状态序列进行比较来得到对所述记录的评价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710232620.1A CN108686363A (zh) | 2017-04-11 | 2017-04-11 | 动作评价的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710232620.1A CN108686363A (zh) | 2017-04-11 | 2017-04-11 | 动作评价的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108686363A true CN108686363A (zh) | 2018-10-23 |
Family
ID=63843533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710232620.1A Pending CN108686363A (zh) | 2017-04-11 | 2017-04-11 | 动作评价的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108686363A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471529A (zh) * | 2019-08-07 | 2019-11-19 | 北京卡路里信息技术有限公司 | 动作评分方法及装置 |
CN112597835A (zh) * | 2020-12-11 | 2021-04-02 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶行为的评估方法、装置、电子设备及可读存储介质 |
CN113657173A (zh) * | 2021-07-20 | 2021-11-16 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102317978A (zh) * | 2009-12-22 | 2012-01-11 | 松下电器产业株式会社 | 动作解析装置以及动作解析方法 |
CN105749537A (zh) * | 2016-02-02 | 2016-07-13 | 四川长虹电器股份有限公司 | 一种运动辅助打分*** |
JP2016209431A (ja) * | 2015-05-13 | 2016-12-15 | セイコーエプソン株式会社 | スイング分析装置、スイング分析方法、スイング分析プログラムおよびスイング分析システム |
US9526946B1 (en) * | 2008-08-29 | 2016-12-27 | Gary Zets | Enhanced system and method for vibrotactile guided therapy |
CN106267734A (zh) * | 2016-08-30 | 2017-01-04 | 石家庄铁路职业技术学院 | 一种数字化健身*** |
-
2017
- 2017-04-11 CN CN201710232620.1A patent/CN108686363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9526946B1 (en) * | 2008-08-29 | 2016-12-27 | Gary Zets | Enhanced system and method for vibrotactile guided therapy |
CN102317978A (zh) * | 2009-12-22 | 2012-01-11 | 松下电器产业株式会社 | 动作解析装置以及动作解析方法 |
JP2016209431A (ja) * | 2015-05-13 | 2016-12-15 | セイコーエプソン株式会社 | スイング分析装置、スイング分析方法、スイング分析プログラムおよびスイング分析システム |
CN105749537A (zh) * | 2016-02-02 | 2016-07-13 | 四川长虹电器股份有限公司 | 一种运动辅助打分*** |
CN106267734A (zh) * | 2016-08-30 | 2017-01-04 | 石家庄铁路职业技术学院 | 一种数字化健身*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471529A (zh) * | 2019-08-07 | 2019-11-19 | 北京卡路里信息技术有限公司 | 动作评分方法及装置 |
CN112597835A (zh) * | 2020-12-11 | 2021-04-02 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶行为的评估方法、装置、电子设备及可读存储介质 |
CN113657173A (zh) * | 2021-07-20 | 2021-11-16 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
CN113657173B (zh) * | 2021-07-20 | 2024-05-24 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kurach et al. | A large-scale study on regularization and normalization in GANs | |
CN106777318B (zh) | 基于协同训练的矩阵分解跨模态哈希检索方法 | |
CA2843343C (en) | Systems and methods of detecting body movements using globally generated multi-dimensional gesture data | |
CN108686363A (zh) | 动作评价的方法和装置 | |
CN108280477A (zh) | 用于聚类图像的方法和装置 | |
CN109671103A (zh) | 目标跟踪方法及装置 | |
CN108230353A (zh) | 目标跟踪方法、***及电子设备 | |
US9833173B2 (en) | Matching system for correlating accelerometer data to known movements | |
JP2013242761A (ja) | マルコフ決定過程システム環境下における方策パラメータを更新するための方法、並びに、その制御器及び制御プログラム | |
JP2013516718A (ja) | 拡張現実における物体の位置合わせ | |
KR20130139356A (ko) | 시간 기준 특징들의 시간적 스케일링을 이용한 활동 분류를 위한 방법들, 디바이스들 및 장치들 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
de Sousa Costa et al. | Classification of malignant and benign lung nodules using taxonomic diversity index and phylogenetic distance | |
Liu et al. | Classifying dna methylation imbalance data in cancer risk prediction using smote and tomek link methods | |
WO2021238279A1 (zh) | 数据分类方法、分类器训练方法及*** | |
CN103927530B (zh) | 一种最终分类器的获得方法及应用方法、*** | |
JP2018092612A (ja) | 分類タスクの複雑度の評価装置及び方法 | |
CN106096042A (zh) | 数据信息分类方法及*** | |
Kempa-Liehr et al. | Feature engineering workflow for activity recognition from synchronized inertial measurement units | |
US8548225B2 (en) | Point selection in bundle adjustment | |
Jiang et al. | Fast, accurate event classification on resource-lean embedded sensors | |
CN107787575A (zh) | 传感器使用的确定 | |
JP2013195363A (ja) | 移動状況判定プログラム及び移動状況判定装置 | |
US20170136298A1 (en) | Method and apparatus for generating exercise program or providing exercise feedback | |
Wang et al. | Support vector hazards machine: A counting process framework for learning risk scores for censored outcomes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181023 |
|
WD01 | Invention patent application deemed withdrawn after publication |