KR20070032628A - 육체적 기술의 동작 및 이 육체적 기술의 수행에 사용하는장비의 측정 및 평가를 위한 시스템 및 방법 - Google Patents
육체적 기술의 동작 및 이 육체적 기술의 수행에 사용하는장비의 측정 및 평가를 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20070032628A KR20070032628A KR1020067017376A KR20067017376A KR20070032628A KR 20070032628 A KR20070032628 A KR 20070032628A KR 1020067017376 A KR1020067017376 A KR 1020067017376A KR 20067017376 A KR20067017376 A KR 20067017376A KR 20070032628 A KR20070032628 A KR 20070032628A
- Authority
- KR
- South Korea
- Prior art keywords
- equipment
- motion
- subject
- movement
- block
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B69/00—Training appliances or apparatus for special sports
- A63B69/36—Training appliances or apparatus for special sports for golf
- A63B69/3623—Training appliances or apparatus for special sports for golf for driving
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/003—Repetitive work cycles; Sequence of movements
- G09B19/0038—Sports
-
- 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
- A63B2220/806—Video cameras
-
- 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
- A63B2220/807—Photo cameras
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Closed-Circuit Television Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
육체적인 기술 또는 과제를 수행하는 교습자와 같은 사람의 개인적 동작 데이터 모델을 처리하기 위한 시스템 및 방법이 제공된다. 개인적 동작 데이터 모델은 기술 또는 과제에 관한 많은 수의 엘리트 또는 우수한 동작으로부터 결정되는 엘리트 또는 우수한 동작 데이터 모델로부터 도출된다. 특히 교습자의 기술에 관한 이상적인 또는 우수한 동작의 맞춤식 개인적 동작 데이터 모델을 생성하기 위해 엘리트 또는 우수한 동작 모델은 교습자의 신체 치수에 따라 분류되거나 비교된다. 개인적 동작 데이터 모델은 교습 과정에서 교습자의 동작 오류를 확인하고 수정하기 위해 사용된다. 신체 부분 사이즈와 관계있는 엘리트 또는 우수한 행위자에 의해 시연되는 중요한 신체 움직임 경향을 통합하기 위해 본 발명의 실시예는 교습자의 개인적 동작 데이터 모델을 변형한다. 교습자의 기술에 관한 실제 동작을 평가하고 채점하기 위해서 및 기술을 수행하는데 교습자가 사용하는 장비를 평가하고 적합화하기 위해서 본 발명의 추가적인 실시예는 개인적 동작 데이터 모델을 변형한다. 특히 교습자의 동작에서 오류 확인을 자동화하고, 교습자의 동작을 향상시키거나 그러한 오류를 회피하기 위해 교습자가 행해야할 교정하는 활동을 자동화하고, 교습자가 기술을 수행하는데 사용하는 장비의 적합성 및 동작을 자동으로 평가하기 위해, 본 발명의 실시예는 교습자의 기술에 관한 실제 동작의 캡쳐된 비디오 데이터 스트림을 처리하는 방법에 관한 기술적인 문제를 경감시키려고 한다.
Description
본 발명은 평가, 교습 및 적합화(fitting)를 목적으로 육체적 기술의 동작에 있어서 사람의 움직임과 이 기술의 이행에 사용하는 장비의 결과에 대한 측정 및 분석에 관한 것이다.
스포츠 기술 또는 활동과 같이, 사람의 움직임 또는 육체적 기술의 동작에 대한 현재의 분석은 실질적으로 사람의 의견에 의존한다. 예를 들어 골프 클럽을 스윙하는 가장 좋은 방법에 대한 수많은 의견에도 불구하고, 다른 방식으로 스윙을 해야한다는 또 다른 의견이 존재한다. 한 분파는 골프 스윙은 몸 전체를 이동하고 그후 표적을 향하도록 해야한다고 가르칠 때, 또 다른 분파는 스윙의 가장 좋은 방법은 순수한 바디 턴(body turn)이라고 가르친다. 또한 많은 경우에 있어서, 골퍼들이 스윙을 함에 있어서 드러내는 동작 오류는 스윙을 향상시킬 목적으로 강사 또 는 교사가 가르친 바로 그 움직임이다. 게다가 가르치고 배우는 환경에서 동작 평가는 종종 질적인 것으로서, 강사 또는 교사가 대상의 골프 스윙을 관찰하고 그 스윙의 질적인 면과 시연된 동작 오류에 관한 의견을 제시할 뿐만이 아니라 장비 적합화를 위한 추천도 한다. 그러한 의견은 교습자의 스윙을 캡쳐한 비디오 이미지에 근거한 것일 수도 있고, 나아가 클럽 및 공 캡쳐기술과 같은 알려진 기술을 사용하여 측정될 수 있는 장비 결과자료에 근거할 수도 있다. 그러나 강사 또는 교사의 마음속에 있는 이상적이거나 뛰어난 스윙 모델과 통상적으로 비교되기 때문에 이러한 동작 정보의 정량적인 포텐셜(potential)의 많은 부분은 놓쳐버리게 된다.
사람의 움직임을 적절하게 측정 또는 평가함에 있어서, 동작의 결점을 일관적으로 결정할 신뢰할 만한 동작 평가 도구를 제공하기 위해서는 특히 사람의 운동의 4개의 영역들이 정량화되어야 한다. 그러한 영역들은 육체적 기술 또는 활동에 있어서 대상의 동작을 기록 및 측정하는 영역(1), 대상의 동작에 있어서 표준으로 삼는 육제척 기술의 우수한 동작의 동작 모델을 결정하는 영역(2), 기술에 있어서 사용된 장비의 동작을 기록하고 측정하는 영역(3), 교습자의 장비와 비교하여 표준으로 삼을 수 있는 동작에 사용된 장비의 동작 모델을 결정하는 영역(4)을 포함한다.
위 영역의 상당수는 미국 특허 제 4,891,748호 및 제 5,184,295호를 포함하는 출원인의 선행 특허에 기재되어 있으며, 이는 표준 모델로 삼는 표준화된 엘리트 또는 뛰어난 동작 모델을 양성하기 위한 교습 과정에 관한 것이다. 선행 특허의 교습은 골프 스윙에 관한 것이고, 표준화된 엘리트 또는 뛰어난 동작 모델은 PGA 골프 프로의 수많은 동작에서 발생된다. 그러한 과정은 또한 엘리트 또는 뛰어난 동작 모델에서 그 또는 그녀의 신체 특징 및 골프 스윙과 같은 그 또는 그녀의 육체적 기술의 이상적이거나 뛰어난 동작을 뜻하는 교습자와 같은 특정 대상의 개인적 동작 모델을 도출하는 과정을 포함한다. 개인적 동작 모델은 특정 대상에 있어서, 예를 들어 골프 스윙과 같은 그 또는 그녀의 기술의 실제 동작과 비교할 수 있는 표준 동작을 말한다. 동작 모델은 교습 및 동작 향상의 평가를 위해 교습자의 움직임 기술을 측정하고 분석하는데 사용될 수 있다.
이러한 이미 제시된 특허가 교습자의 동작을 뛰어나거나 엘리트 행위자의 동작과 비교하는데 용이하게 했음에도 불구하고, 교습자는 여전히 그들의 동작에 있어서 중요한 오류를 구분하고 필요한 수정 동작을 하기 위해 가르침을 필요로 한다. 또한 교습자는 그들의 장비의 적합성 및 성능을 평가하고 새로운 장비에 대한 추천에 있어서 그들의 강사의 주관적인 의견에 의존하게 된다.
이곳에 기재된 본 발명의 실시예는, 대상의 육체적 기술의 동작을 평가 및 채점하고, 기술을 수행하는데 사용되는 장비의 평가와 적합화를 위하여 개인의 동작 모델을 처리하는 시스템과 방법을 제공한다. 특히 본 발명의 실시예는 다음과 같은 기술적인 문제를 경감시키기고자 한다. 그러한 기술적인 문제는 교습자에 의한 과제의 동작에 있어서 오류 확인을 자동화하기 위한 비디오 데이터의 처리 방법, 그러한 오류를 피하기 위해 교습자에 의해 행해지는 (바람직하게는 교습자가 이해가 가능한) 교정 동작 확인의 자동화 방법, 교습자가 사용하는 장비의 적합성 및 성능을 자동으로 평가하는 방법, 교습자의 동작에 도움을 주는 장비를 자동으로 결정하는 방법에 관한 것이다.
통상적으로, 특징에 있어서, 본 발명의 실시예는 육체적인 기술 또는 과제를 함에 있어서 대상의 동작에 대한 자동화된 정량적인 분석을 제공하는 방법에 관한 것이며, 다음과 같은 것을 포함한다. (i) 대상의 신체에 대한 하나 이상의 육체적 특징을 나타내는 신체 측정치 세트를 획득하고, (ii) 대상에 의한 기술 또는 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 개인적 대상 동작 데이터 모델을 제공하기 위하여 대상 신체 측정치 세트에 대한 기술 또는 과제의 우수한 동작과 관계된 신체 움직임 패턴을 나타내는 엘리트 동작 데이터 모델을 수정하고, (iii) 육체적 기술 또는 과제를 하는 대상의 비디오 데이터를 캡쳐하며, (iv) 캡쳐된 비디오로부터 기술 또는 과제를 행하는 동안 대상의 신체 움직임을 나타내는 데이터 세트를 결정하고, (v) 비디오 데이터로부터 도출한 신체 움직임에 관한 데이터 세트가 나타내는 신체 움직임과 개인적 대상 동작 데이터 모델이 나타내는 신체 움직임 사이의 위치의 차이를 확인하고, (vi) 기술 또는 과제를 행하는 것이 개인적 대상 동작 데이터 모델이 나타내는 신체 움직임 패턴과 다를 때, 대상의 신체 움직임 패턴의 한도에서 정량적인 분석을 제공하기 위하여 하나 이상의 확인된 위치의 차이를 정량하며, 기술 또는 과제를 행하는 대상의 동작에 대한 정량적인 분석이 제공된다.
본 발명의 실행은 하나 이상의 다음과 같은 구성요소를 포함할 수 있다. 육체적 기술 또는 과제를 행함에 있어서 대상의 동작의 정량적인 분석을 제공하는 방법은 정량된 위치의 차이를 기록하는 것을 더 포함한다. 정량된 위치의 차이를 기록하는 것은 이하와 같은 것 중의 하나를 위해 점수를 산출하는 것을 포함한다. (i) 하나 이상의 각각 확인된 위치의 차이 및 (ii) 확인된 위치의 차이의 그룹으로서 기술 또는 과제를 행하는 것이 개인적 대상 동작 데이터 모델이 나타내는 것과 다를 때 대상의 움직임 패턴의 한도를 나타내는 것을 포함한다.
방법은 위치의 차이에 있어서 중요성의 수준을 설정하고, 기록에 있어서 중요성의 설정 수준을 넘어서는 오직 이러한 확인된 위치의 차이를 선택하는 것을 더 포함한다. 위치의 차이에 관한 중요성의 수준을 설정하고, 중요성의 설정 수준을 넘어서는 오직 이러한 확인된 위치의 차이를 보고하는 것을 더 포함한다. 보고는 확인된 위치의 차이 각각 또는 일군의 확인된 위치의 차이를 위해 하나 이상의 문구를 데이터 기억장치로부터 검색하는 것을 포함하며, 이러한 하나 이상의 문구는 기술 또는 과제를 행할 때 대상의 신체 움직임과 개인적 대상 동작 데이터 모델에 의해 나타나는 것과의 차이에 대한 이유를 행해진 기술 또는 과제의 분야의 용어로 대상에게 전달한다.
본 발명의 실행은 하나 이상의 다음과 같은 구성요소를 더 포함할 수 있다. 대상 신체의 신체 움직임 세트는 대상의 비디오 이미지로부터 또는 대상이 제공한 정보로부터 비롯된다. 방법은 신체 측정치 세트로부터 중요한 신체 부분 측정치를 결정하는 것과 중요한 신체 부분 측정치에 의해 대상의 이상적인 기술 또는 과제의 동작에 부가된 제한을 설명하기 위한 개인적 대상 동작 데이터 모델을 더 변형시키는 것을 포함한다.
방법은 대상이 기술 또는 과제를 행할 때 캡쳐된 비디오 데이터와 대상이 기술 또는 과제를 수행할 때 장비의 움직임을 나타내는 장비 데이터 세트로부터 도출하는 것을 포함한다. 방법은 또한, 대상에 의한 기술 또는 과제에 대한 이상적인 동작을 위한 장비 움직임 패턴을 나타내는 맞춤식 개인적 대상 장비 동작 데이터 모델을 제공하기 위하여 대상의 신체에 대한 신체 측정치 세트와 연관된 기술 또는 과제의 우수한 동작에 관한 장비 움직임 패턴을 나타내는 엘리트 장비 데이터 모델을 변형하는 것을 더 포함한다.
방법은, 대상이 기술 또는 과제를 수행할 때 캡쳐된 비디오 데이터로부터 도출된 장비 데이터 세트와 개인적 대상 장비 동작 데이터 모델을 비교하는 것 및 비디오 데이터로부터 도출된 장비 움직임 데이터 세트에 의해 나타난 장비 움직임과 개인적 대상 장비 동작 데이터 모델에 의해 나타나는 장비 움직임 사이의 위치의 차이를 확인하는 것을 더 포함한다. 방법은 기술 또는 과제를 행하는 것이 개인적 대상 장비 동작 데이터 모델이 나타내는 개인적 대상 장비 움직임 패턴과 다를 때 대상의 장비 움직임 패턴의 정도까지 정량적인 분석을 제공하기 위하여 어떠한 확인된 위치의 차이를 정량하는 것을 포함한다.
본 발명의 실행은 또한 하나 이상의 아래와 같은 구성요소를 포함할 수 있다. 방법은 (i) 하나 이상의 각각의 확인된 차이 및 (ii) 확인된 차이의 그룹 중 하나에 대한 점수를 산정하는 것을 더 포함하며, 확인된 차이의 그룹은 기술 및 과제를 행하는 것이 개인적 대상 장비 동작 데이터 모델에 나타내는 것과 다를 때 대상의 장비의 움직임 패턴의 정도를 나타낸다. 또한 방법은, 대상의 신체 측정치 세트로부터 중요한 신체 부분 측정치를 결정하는 것 및 추가로 대상의 중요한 신체 부분 측정치에 의해 장비의 이상적인 동작에 부과되는 제한을 설명하기 위한 개인적 대상 장비 동작 데이터 모델을 변형시키는 것을 포함한다. 나아가 방법은, 하나 이상의 확인되고 정량화된 차이점으로부터 또는 변형된 개인적 대상 장비 동작 데이터 모델로부터 장비 적합화 변수 세트를 결정하는 것을 포함한다. 방법은 나아가 장비의 하나 이상의 아이템을 확인하기 위하여 장비 적합화 변수의 상기 세트와 저장된 장비 변수 세트를 비교하는 것을 포함할 수 있으며, 장비 각각은 상기 적합화 변수의 범위 또는 미리 결정된 수용가능한 범위에 해당하는 물리적 특징을 갖는다.
또 다른 특징으로서, 본 발명의 실시예는 작동가능한 하나 이상의 소프트웨어 프로그램 생산품을 포함하는 실행 환경하에서 실행될 때 적어도 다음과 같이 실행하도록 구성된 컴퓨터 프로그램을 제공한다. 실행대상은 (i) 대상에 의한 기술 및 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 개인적 대상 동작 데이터 모델을 제공하기 위하여 대상 신체 측정치 세트에 관한 기술 및 과제의 우수한 동작에 관련되는 신체 움직임 패턴을 나타내는 엘리트 동작 데이터 모델을 변형하는 것, (ii) 육체적 기술 및 과제를 행하는 대상의 비디오 데이터를 캡쳐하는 것, 및 (iii) 캡쳐된 비디오 데이터로부터 기술 또는 과제를 행할 때 대상의 신체 움직임을 나타내는 데이터 세트를 결정하는 것이다.
추가적인 특징으로서, 본 발명의 실시예는 육체적 기술 또는 과제를 행할 때 대상 동작의 자동화된 양적 분석을 제공하기 위한 시스템을 제공하고, 시스템은 물리적 과제를 행하는 대상의 비디오 데이터를 캡쳐하기 위한 하나 이상의 비디오 캡쳐 장비 및 프로세서를 포함하는 컴퓨터 시스템 및 프로세서에 의해 실행되는 하나 이상의 컴퓨터 프로그램 생산품을 포함하며, 이는 (i) 대상에 의한 기술 또는 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 개인적 대상 동작 데이터 모델을 나타내는 신체 측정치 세트에 따른 기술 또는 과제의 우수한 동작과 관련된 신체 움직임 패턴을 나타내는 엘리트 데이터 모델을 변형하고, (ii) 육체적 기술 및 과제를 행하는 대상의 비디오 데이터를 캡쳐하며, (iii) 캡쳐된 비디오 데이터로부터 기술 및 과제를 행할 때 대상의 신체 움직임을 나타내는 데이터 세트를 결정하고, (iv) 비디오 데이터로부터 도출되는 대상 신체 움직임 데이터 세트가 나타내는 신체 움직임과 개인적 대상 동작 데이터 모델이 나타내는 신체 움직임 사이의 위치의 차이를 확인하고, (v) 기술 및 과제를 행할 때 대상의 움직임 패턴이 개인적 대상 동작 데이터 모델이 나타내는 움직임 패턴과 다른 정도의 정량적인 분석을 제공하기 위한 확인된 위치 차이를 정량하기 위함이며, 기술 또는 과제를 완수함에 있어서 대상의 동작에 대한 정량적인 분석이 제공된다.
그러나 또 다른 특징으로서, 본 발명은 실행 환경에서 실행될 때 작동가능한 하나 이상의 소프트웨어 요소를 포함하는 컴퓨터 프로그램을 제공하며, 이는 (i) 대상 신체의 육체적 특징을 나타내는 대상 신체 측정치에 따른 육체적 기술 또는 과제의 우수한 동작에 관련된 신체 움직임 패턴을 나타내는 엘리트 데이터 모델을 변형하며 그에 의해 대상에 의한 기술 또는 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 개인적 대상 동작 데이터 모델을 제공하고, (ii) 육체적 기술 또는 과제를 행하는 대상의 비디오 데이터를 캡쳐하고, (iii) 캡쳐된 비디오 데이터로부터 기술 또는 과제를 행할 때 대상 신체 움직임을 나타내는 데이터 세트를 결정하고, (iv) 비디오 데이터로부터 도출되는 신체 움직임 데이터 세트가 나타내는 신체 움직임과 개인적 대상 동작 데이터 모델이 나타내는 신체 움직임 사이의 위치의 차이를 확인하고, (v) 기술 및 과제를 행할 때 대상의 움직임 패턴이 개인적 대상 동작 데이터 모델이 나타내는 움직임 패턴과 다른 정도의 정량적인 분석을 제공하기 위한 확인된 위치 차이를 정량하기 위함이며, 기술 또는 과제를 완수함에 있어서 대상의 동작에 대한 정량적인 분석이 제공된다.
본 발명의 이러한 그리고 다른 장점은, 본 발명 그 자체 이외에도 이하의 도면과 상세한 설명 및 청구항을 살펴본 후라면 더 잘 이해가 될 것이다.
도 1은 이곳에 기술된 본 발명의 실시예의 시스템 및 과정을 도시하는 포괄적인 순서도이다.
도 2는 본 발명의 실시예와 관련해서 발생한 동작 데이터 및 동작 모델을 활용할 수 있는 교습 시스템의 구성성분을 도시한다.
도 3은 신체 부분 길이에 관하여 중요한 움직임 경향을 모델로 구현하는데 있어서 교습자의 개인적 동작 모델을 조절하기 위한 부분 경향 서브루틴(Segment Trend Subroutine) 과정을 설명하는 순서도이다.
도 4a 및 4b는 교습자의 동작을 분석하기 위한 행위자 평가 서브루 틴(Performer Evaluation Subroutine) 과정을 설명하는 순서도이다.
도 5a 내지 5c는 교습자의 동작을 점수화하기 위한 동작 채점 서브루틴(Performance Scoring Subroutine) 과정을 설명하는 순서도이다.
도 6a 내지 6c는 동작 채점 서브루틴 과정으로부터 발생한 교습자의 동작 점수를 사용하여 교습자의 오류를 확인하기 위한 동작 오류 서브루틴(Performance Errors Subroutine) 과정을 설명하는 순서도이다.
도 7은 동작 채점 서브루틴 과정으로부터 발생한 교습자의 동작 점수를 사용하여 장비의 정량적인 분석을 하기 위한 장비 적합화 서브루틴(Equipment Fitting Subroutine) 과정을 설명하는 순서도이다.
A. 일반적인 설명
본 발명의 실시예는, 육체적 기술 또는 활동과 관계된 사람 신체의 움직임을 측정하고 분석하기 위해, 혹은 기술 또는 활동을 수행하는 것과 관계된 실행 및 장비의 움직임을 측정하고 분석하기 위해, 사용할 컴퓨터에서 산출된 동작 데이터 및 동작 모델을 도출하기 위한 시스템 및 방법을 제공하는 것이다. 또한 본 발명의 실시예는, 컴퓨터에서 산출된 동작 데이터 및 동작 모델을 기술 또는 활동을 가르치고 기술 또는 활동의 동작에 있어서 향상 및 발전을 평가하기 위한 과정과 통합하는 육체적 기술 및 활동을 교습하는 시스템 및 방법을 제공한다. 종래 기술분야의 통상의 지식을 가진 사람들은, 여기에 제공된 교습이 사람의 움직임(예를 들어 트 랙 및 필드 활동, 야구 피칭, 야구 히팅, 테니스 서비스 및 어떠한 스포츠 또는 다른 육체적 활동 또는 기술과 같은)을 포함하는 다양한 영역의 육체적 기술 또는 활동에 적용될 수 있다는 것을 인식할 것이다. 본 발명의 교습을 설명하기 위해, 본 발명의 시스템 및 방법이 골프 기술의 동작, 특히 골프 스윙과 관련해서 이후에 설명된다. 그러나 본 발명의 범위는 오직 이곳에 설명된 스포츠에 한정되지 않는다.
대상, 행위자, 교습자라는 용어는 육체적 기술, 과제 또는 활동을 행하는 사람을 가리키고, 그러한 용어는 서로 교환해서 사용된다. 교사라는 용어는 육체적 기술, 과제 또는 활동을 행하는 대상, 행위자 또는 교습자의 동작 및 그를 위한 능력을 교정하거나 또는 강습하는 것을 도와주고 알려주는 기술을 가지고 있는 사람을 가리킨다.
본 발명의 실시예는, 골프 클럽을 스윙하는 것과 같은 육체적 기술 또는 활동을 행하는 교습자에 관한 컴퓨터가 산출한 개인적 동작 모델을 제시하는 시스템 및 방법을 제공한다. 바람직한 실시예에 있어서, 개인적 동작 모델은 골프 클럽을 스윙하는 PGA 골프 프로와 같은 미리 예정된 수의 엘리트 행위자의 우수한 동작으로부터 결정되는 컴퓨터에서 산출되고 표준화된 엘리트 또는 우수한 동작 모델로부터 도출된다. 엘리트 또는 우수한 동작 모델은 각각의 엘리트 행위자의 움직임 패턴으로부터 산출된다. 또한 엘리트 또는 우수한 동작 모델은, 엘리트 행위자의 움직임 패턴을 서로 비교하고, 우수한 결과를 성취하는 엘리트 움직임 패턴의 중요한 경향을 확인하기 위해 비엘리트(non-elite) 행위자들과 비교함에 의하여 향상된다.
바람직한 실시예에 있어서, 개인적 동작 모델은 특히 개인적 동작 모델과 비 교되는 교습자의 정확한 제원으로 변경되거나 조정되는 엘리트 또는 우수한 동작 모델이다. 엘리트 또는 우수한 동작 모델은, 엘리트 또는 우수한 동작 모델과 교습자 사이의 육체적 차이를 설명하기 위해 교습자의 신체 크기 및 치수에 맞춰진다. 출원인은, 특정한 골격의 신체 부분이 발가락, 발꿈치, 발목, 무릎, 엉덩이, 장골, 어깨, 팔꿈치, 손목, 손, 귀, 코 및 척추 부분을 포함하나 그에 한정되지 않는 교습자의 신체를 정확히 나타낸다는 것을 발견한다. 이러한 신체 부분의 크기 f및 치수는 교습자 개인과 비교한 모델을 분류 또는 측정하기 위해 엘리트 또는 우수한 동작 모델로 통합된다. 개인적 동작 모델은 이에 의해 교습자와 그 또는 그녀의 기술 또는 활동의 이상적이거나 우수한 동작을 나타내는 개별화된 모델을 제공한다.
컴퓨터는 엘리트 또는 우수한 동작 모델을 산출하고, 개인적 동작 모델은 출원인의 이전 특허인 미국특허 제 4,891,748호 및 미국특허 제 5,184,295호에서 설명된 시스템 및 과정에 따라 산출되며, 위 미국특허는 그 전부를 본 출원의 일부로서 참조하며, 필요하다면 본 발명의 교습의 바람직한 실행에 관한 기술적인 정보를 위해 고려되어야 한다. 이곳에 설명하는 본 발명의 시스템 및 방법은, 엘리트 또는 우수한 행위자가 시연하고, 육체적 기술 또는 활동에 관계된 신체 부분의 길이에 관한 것으로서, 엘리트 행위자가 우수한 동작 결과를 달성하도록 하는 신체 움직임 패턴의 경향을 설명하기 위해 개인적 동작 모델을 더 맞도록 조절한다.
엘리트 또는 우수한 동작 모델 및 개인적 동작 모델을 산출하는 미국특허 제 4,891,748호 및 미국특허 제 5,184,295호에서 설명한 시스템 및 과정은 프로그램 A, 프로그램 B, 프로그램 C, 프로그램 D 및 프로그램 E라고 불리는 많은 컴퓨터 소 프트웨어 프로그램을 사용한다. 추가적인 소프트웨어 프로그램은 디지털화 프로그램(Digitize Program) 및 표준화 프로그램(Normalize Program)을 포함한다. 프로그램은 미국특허 제 4,891,748호 및 미국특허 제 5,184,295호에서 상세하게 설명되고, 이곳에서 설명하지는 않는다. 그러나 이곳에서 제공되는 교습에 관해서 정보 및 연속성의 목적에서 각 프로그램의 간략한 개요를 아래에 제공한다.
프로그램 A
예를 들어 PGA 골프 프로와 같은 엘리트 행위자 각각을 위한 3차원 움직임 패턴은 프로그램 A로 처리된다. 기술 또는 활동을 수행하는 엘리트 행위자의 필름 또는 비디오 이미지를 디지털화하는 것은 3차원 움직임 패턴을 산출한다. 디지털화 과정은, 적어도 2개의 이미지 캡쳐 소스로부터 기술 동작을 통해 행위자가 움직이면서 그의, 예를 들어 수평방향, 수직방향, 측면 및 시간의 4차원 움직임 패턴에 관계된 모든 신체 부분을 정량하는 것을 포함한다. 기술이 장비를 포함한다면, 장비 부분은 디지털화 과정에서 포함된다. 프로그램 A는 필름 또는 비디오 파일에서 캡쳐된 엘리트 행위자 각각의 개인적 모델을 산출한다. 프로그램의 출력은 기억장치 파일에 저장된다.
프로그램 B
프로그램 B는 프로그램 A의 출력을 사용하여 엘리트 행위자의 평균 모델을 생산하기 위해 산출된 모든 개인적 모델을 평균한다. 평균 모델은 기술 또는 활동을 행하는 엘리트 행위자의 평균 동작 패턴을 포함한다. 프로그램 B는 평균 모델을 포함한 데이터 파일을 출력한다.
프로그램 C
프로그램 C는 프로그램 B의 출력 데이터 파일로부터 평균 모델 데이터를 읽고, 프로그램 A에서 산출된 각각의 개인적 모델을 프로그램 B의 평균 모델로 분류한다. 프로그램 C는 분류된 엘리트 파일을 포함하는 출력 파일을 생산한다.
프로그램 D
프로그램 D는 평균 엘리트 모델을 생산하기 위해 분류된 개인적 모델을 결합한다. 그 다음에는 프로그램 D는 우수한 동작을 산출하기 위해 엘리트 행위자가 사용하는 특징들을 확인한다. 또한 프로그램 D는 비엘리트 행위자에게는 없는 엘리트 행위자가 사용하는 특징 또는 경향을 확인한다. 그 다음에는 확인된 특징은 우수한 또는 엘리트 동작 모델을 생산하기 위해 평균 모델로 통합된다.
프로그램 E
프로그램 E는 프로그램 D로부터 우수한 또는 엘리트 동작 모델을 받고, 그것을 어떠한 행위자 또는 교습자의 신체 치수로 개별화한다. 이하에서 설명하는 디지털화 프로그램으로부터 산출되는 행위자의 또는 교습자의 신체 부분 위치 분류 데이터는 동작 모델을 행위자 또는 교습자의 신체 치수로 개별화하고, 그것에 의해 행위자의 또는 교습자의 이상적인 동작의 개인적 동작 모델을 산출하기 위해 엘리트 또는 우수한 동작 모델을 계측하거나 분류하는데 쓰인다. 만약 어떤 장비가 어떤 활동과 관계있다면, 이전에 프로그램 A 부터 프로그램 D를 통해 산출된 모델 장비 위치 결과는 우수한 또는 엘리트 동작 모델로 통합된다.
디지털화 프로그램
디지털화 프로그램은, 엘리트 또는 우수한 동작 모델(프로그램 A 내지 프로그램 E를 통해 산출된)로부터 교습자의 개인적 동작 모델을 수립하는 것을 돕기 위해 교습자의 중요한 신체 지점을 디지털화하는 능력을 포함하며, 수집된 데이터를 계측한다. 2개의 카메라가 전면 또는 얼굴 쪽 방향에서 그리고 측면에서 교습자의 비디오 이미지를 캡쳐하기 위해 사용된다. 각각의 시점은 디지털화 프로그램이 탑재된 컴퓨터와 연결된 그래픽 디스플레이장치에 표시된다. 전면 카메라 시점 및 측면 카메라 시점에서의 교습자의 신체 지점은 그래픽 디스플레이장치에 표시된 교습자의 비디오 이미지를 사용하여 디지털화된다. 디지털화된 프로그램은 스케일 파일을 사용하며 또는 만약 스케일 파일이 사용가능하지 않다면 카메라 각각의 시점을 위한 및 그 시점에서의 스케일 팩터(scale factor)를 사용하는 스케일 파일을 생성한다. 스케일 팩터는 스케일을 생성하기 위한 카메라의 관점에서, 알려진 치수의 물체(예를 들어 야드 자 또는 다중 부분 스케일 팩터)를 배치하는 것을 포함할 수 있다. 교습자의 전면 및 측면 시점의 각각에서 스케일 팩터는 교습자의 비디오 이미지로 표시되며, 그 후에 스케일 백터는 디지털화된다. 스케일에 있어서 필수적인 스케일 위치 지점은 비디오 이미지로부터 디지털화된다. 지점의 개수는 DLT 방법 또는 90°카메라 오프셋 방법 중 어느 하나에 의해 결정된다. 스케일 파일 정보를 생성함에 있어서, 데이터는 컴퓨터로 읽혀서 파일에 저장된다. 스케일 팩터 결과는, 교습자의 결과를 전체에 걸쳐 계측하여 계측 데이터를 제공하기 위해 제출된다.
교습자는 신체의 모든 지점이 카메라에 의해 가장 잘 보일 수 있도록 하는 지점으로, 정면 또는 측면 카메라의 전면에 배치된다. 교습자의 비디오 이미지는 그래픽 디스플레이장치에 표시된다. 교습자의 중요한 신체 부분 지점은, 컴퓨터의 비디오 디스플레이 카드와 연결되어 있는 마우스 지시장치 또는 키보드, 완드(wand) 또는 트랙볼을 사용하여 디지털화한다. 디지털화하는 노력의 그래픽 결과는 결과가 수용가능하도록 표시된다. 지점이 수용가능하지 않다면, 과정은 반복된다. 교습자의 디지털화된 신체 지점은 위에서 언급되고 여기서 설명한 프로그램에 사용하기 위해 컴퓨터의 데이터 파일에 저장된다.
표준화 프로그램
이전 특허는 교습자 및 모델의 신체 부분 값을 표준화하는(일치시키는) 3개의 표준화 프로그램을 가르친다. 표준화 1 및 표준화 3은 모델 부분 길이를 교습자의 그것과 표준화한다. 표준화 2는 교습자 부분 길이를 모델의 그것과 표준화한다. 이러한 프로그램은 교습자와 모델 동작 사이의 결과를 일치시키기 위해 모델 빌딩 및 적합화 과정에 걸쳐서 사용된다.
도 1에 있어서, 통상적으로 본 발명의 바람직한 실시예는 특징에 있어서, 신체 부분 길이와 관련해서 엘리트 행위자가 시연하는 신체 움직임 패턴의 중요한 경향을 설명하기 위해 모델을 바꾸거나 변경하는 프로그램 E 및 표준화 3으로부터 산출된 교습자의 개인적 동작 모델을 조절하기 위한 시스템 및 과정을 제공한다. 본 발명의 바람직한 실시예는 부분 경향 서브루틴(100)으로 불리는 컴퓨터 소프트웨어 프로그램을 포함하며, 그것은 그러한 경향을 모델로 통합하기 위해 개인적 동작 모델을 바꾸거나 변경하는 과정을 수행한다.
또한 도 1에 있어서, 통상적으로 본 발명의 바람직한 실시예는 또 다른 특징에 있어서, 육체적 기술 또는 활동을 행하는 교습자의 광범위하고 정량적인 것을 바탕으로 하는 동작 분석을 생성하는 시스템 및 과정을 제공한다. 본 발명의 바람직한 실시예는 행위자 평가 서브루틴(200)으로 불리는 컴퓨터 프로그램을 포함하며, 그것은 기술 또는 활동을 행하는 교습자의 움직임 데이터를 수집하고, 그러한 움직임 데이터를 미국 특허 제 4,891,748호 및 제 5,184,295호에 설명된 프로그램 또는 이곳에 설명된 부분 경향 서브루틴(100)에서 산출된 교습자의 개인적 동작 모델의 상응하는 정보와 비교하기 위한 과정에 작용한다. 또한 기구 또는 장비가 기술 또는 활동을 행하는데 사용된다면, 행위자 평가 서브루틴(200)은 장비 움직임 데이터 및 교습자의 움직임 데이터에 따라 동시에 발생하는 다른 장비와 관련된 결과를 수집하고, 움직임 데이터 및 다른 장비 결과와 교습자의 개인적 동작 모델이 사용하는 장비의 상응하는 정보를 비교하는 것을 포함한다.
행위자 평가 서브루틴(200)은, 교습자의 기술 또는 활동의 동작에 관한 정량적이고 통계적인 것을 기반으로 하는 동작 점수를 계산하는 동작 채점 서브루틴(300)을 포함하는 3개의 서브루틴 컴퓨터 프로그램을 더 포함한다. 동작 채점 서브루틴(300)은 교습자의 동작의 동작 데이터를 그 또는 그녀의 개인적 동작 모델의 상응하는 동작 데이터와 비교하고, 동작들 사이의 차이를 점수화한다.
다른 프로그램은 동작 오류 서브루틴(400)을 포함하며, 이는 교습자의 동작 을 평가하기 위한 토대를 제공하기 위해 동작 오류 서브루틴(400)으로부터 도출되는 점수를 사용하여 교습자의 동작에 있어서 통계적으로 중요한 동작 오류를 확인한다. 또한 장비 적합화 서브루틴(500)은 장비 결과 및 동작 데이터를 토대로 한 개별적인 교습자 및 그 또는 그녀의 동작에 대한 정량적인 장비 적합화를 제시하는 것이 포함된다.
부분 경향 서브루틴(100), 행위자 평가 서브루틴(200), 동작 채점 서브루틴(300), 동작 오류 서브루틴(400) 및 장비 적합화 서브루틴(500)은 도 3 내지 도 7에 관련해서 이하에서 자세히 설명된다.
개인적 동작 모델은 그 또는 그녀의 이상적인 또는 우수한 모델 동작에 관한 교습자의 육체적 기술 또는 활동(예를 들어 골프 스윙)을 비교하고 평가하는데 필요한 정량적인 정보 표준을 제공한다. 이곳에 설명한 서브루틴 과정은 학생의 실제의 동작과 그 또는 그녀의 개인적 동작 모델을 비교하여 학생의 골프 스윙의 실제의 동작을 정량화한다. 과정의 결과는 교습, 동작 평가 및 장비 적합화의 목적으로 사용될 수 있다. 각각의 과정은 학생의 움직임 패턴과 관계된 비충돌(non-impact) 데이터에 따라 수집된 학생의 골프 스윙의 비디오 기록을 사용한다. 또한 기술 또는 활동을 행하는데 사용되는 장비(예를 들어 골프 클럽 및 골프공)와 관련된 측정 결과는 장비 동작 결과와 관련된 정보를 제공하기 위해서 비디오 기록과 함께 실시간으로 동시에 수집된다. 비디오 기록으로부터, 골프 스윙과 관련된 교습자의 신체 부분 및 장비 부분(예를 들어 골프 클럽의 샤프트)의 이미지는 위에서 설명한 디지털화 과정 및 이하에서 설명할 부분을 사용하여 정량화된다. 그 이후에 각각의 서 브루틴은 동작 채점을 제공하고 또는 학생의 실제 골프 스윙 및 사용되는 장비와 관련된 동작 오류를 확인하기 위하여 분석을 산출한다.
B. 하드웨어 설명
도 2에 있어서 특징적인 면으로서, 본 발명의 바람직한 실시예는 육체적 기술 또는 활동에 대한 교습을 제공하기 위한 시스템(10)을 제공한다. 시스템의 부품은 운동 위치에 관해 도 2에 도시되며, 티(tee, 30)가 있는 드라이빙 플랫폼(driving platform, 26)을 포함하고, 그 위에 골프공(28)이 놓여지고, 교습자(8)는 그것을 치는(충돌하는) 골프 클럽(32)을 들고 있다. 디지털 비디오 카메라(14)는 그 또는 그녀가 드라이빙 플랫폼(26)에 서있을 때 교습자(8)의 정면 위치를 기록한다. 카메라(14)는 하드 드라이브 기억장치(18)에서 캡쳐하기 위해 디지털 이미지를 시스템 컴퓨터(20)로 전송한다. 또 다른 디지털 카메라(12)는 그 또는 그녀가 드라이빙 플랫폼(26)에 서있을 때 교습자(8)의 측면을 기록한다. 카메라(12)는 하드 드라이브 기억장치(16)에서 캡쳐하기 위해 디지털 이미지를 시스템 컴퓨터(20)로 전송한다. 어떠한 개수의 카메라 및 하드 드라이브도 사용될 수 있으나, 출원인은 2개의 카메라 및 2개의 하드 드라이브(또는 2개의 파티션을 가진 1개의 드라이브)가 골프 스윙을 적절히 분석하기 위해 충분하다는 것을 발견했다.
교습자(8)의 3차원 신체 위치를 디지털화하는 것은 높이, 너비 및 깊이의 필요한 3차원 좌표를 제공하기 위해 위치된 2개의 비디오 카메라를 필요로 한다. 1개의 카메라는 교습자가 번갈아 2개의 스탠스 위치를 취한다면 사용될 수 있다. 한번 교습자(8)의 신체 및 신체 부분이 디지털화되면, 오직 하나의 카메라가 미국특허 제 4,891,748호 및 미국특허 제 5,184,295호 및 아래에서 설명하는 온라인 교습 또는 비디오 동작 오버레이(overlay) 교습과정을 위해 필요하다. 하나의 카메라는 교습 모니터(25)를 보기위해 강사 또는 교습자가 원하는 어떠한 측면으로도 배치될 수 있다. 2개 이상의 카메라는 교습 과정을 향상시키기 위해 사용될 수 있다. 비디오 카메라(12, 14)는 선택된 어떠한 지점에도 배치될 수 있다.
본 발명의 바람직한 실시예에서 사용되는 비디오 카메라(12, 14)는 긴 노출 시간을 가진 일반 비셔터(unshuttered) 비디오 카메라의 문제점을 피하기 위한 디지털 셔터 비디오 카메라이다. 이러한 연장된 노출 시간은 교습자(8)의 어떠한 빠른 움직임에 있어서 사진이 흐릿하게 나오도록 한다. 골프 스윙에 의한 빠른 움직임은 일반 비디오 카메라에서 발견되는 흐려지는 문제가 없는 하드 드라이브 기억장치(16, 18)에서 빠른 속도의 동작을 캡쳐할 수 있는 비디오 카메라를 필요로 한다. 비디오 카메라(12, 14)는 움직이고 있는 교습자 골퍼를 최소한 초당 60 이미지의 속도로 캡쳐한다. 본 발명의 바람직한 실시예에서 사용되는 비디오 카메라(12, 14)는 캐나다 비씨 뱅쿠버의 포인트그레이사(the Point Gray Corporation of Vancouver, BC, Canada)가 제조한 Flea 모델과 같은 컬러 셔터 디지털 비디오 카메라이다. 이 카메라는 기술분야에서 잘 알려진 방식인 적어도 1/500 초 노출시간을 제공하며 셔터를 닫는다. 셔터 비디오 카메라(12, 14)의 출력은 하드 드라이브 기억장치(16, 18)로 각각 공급된다.
하드 드라이브 기억장치(16, 18)로부터의 출력은 프로세서(20A) 및 기록된 정면 및 측면 결과 중 하나 또는 둘 모두를 나타낼 충분한 성능을 가진 비디오 디스플레이 카드(34)를 포함하는 시스템 컴퓨터(20)로 공급된다. 비디오 디스플레이 카드(34)는 하드 드라이브 기억장치(16 또는 18) 중의 하나로부터 교습자의 이상적이거나 우수한 동작의 컴퓨터에 의해 산출된 개인적 동작 모델을 덧씌우며, 그것은 위에서 설명되고 각각의 하드 드라이브 기억장치(16, 18) 저장된 것과 같이 미리 결정된다. 그 후에 비디오 디스플레이 카드(34)는 컴퓨터(20)에 부속된 교습 모니터(25)상에 결과를 표시한다.
컴퓨터(20)는 마우스 지시장치(44)와 연결되고, 이는 커져를 움직여서 모니터(25)의 비디오 이미지를 디지털화하기 위해 필요한 입력 명령을 제공한다. 컴퓨터(20)는 기술분야의 당업자에게 잘 알려진 방식으로 이미지 데이터를 조정하고, 이미지를 디지털화하고, 이미지를 표시하기 위해 필요한 소프트웨어를 포함한다. 또한 마우스 지시장치(44)는 기술분야에서 당업자에게 잘 알려진 방식으로 목적을 디지털화하기 위해 키보드 또는 완드 또는 트랙볼로 대체될 수 있다.
컴퓨터는(20) 또한, 컴퓨터가 산출한 모델을 결정하기 위한 데이터의 조정 목적의 메모리를 포함하는 필요한 하드웨어 및 로직을 포함한다. 본 발명이 바람직한 실시예에서 사용되는 컴퓨터는 일본 도쿄의 소니사(SONY Corporation of Tokyo, Japan)가 제조기술분야의 종래 기술을 가진 당업자는 비슷한 성능을 가진 다른 프로그램가능한 일반적인 목적의 컴퓨터는 VIAO PCG-GRT390ZP로 대체될 수 있다는 사실을 알게 될 것이다. 또한 다른 언어도 프로그램 사용을 위해 그러한 다른 기계에서 사용될 수 있다. 이곳에 설명된 프로그램은 워싱턴 레드몬드의 마이크로소프트 사(Microsoft Corporation of Redmond, Washington)사로부터 사용가능한 마이크로소프트 윈도우즈(the Microsoft Windows) 기반의 운영체제(Operating System)를 위한 Visual C++ 프로그램의 기계 코드 언어이다.
본 발명의 바람직한 실시예에는 많은 프로그램이 사용된다. 프로그램은, 골프 스윙과 같은 기술 또는 활동의 실제 동작 과정에서 교습자 또는 행위자의 움직임을 디지털화하고, 동작 채점, 동작 오류 및 장비 적합화를 결정하기 위해 이러한 디지털화된 데이터와 교습자의 또는 행위자의 개인적 동작 모델을 비교하는 일련의 과제들을 수행하는 능력을 가진 그러한 프로그램을 포함한다. 추가적인 프로그램은 비디오 모니터상에 이러한 프로그램의 결과를 표시하는 능력을 가진다. 소니사 및 마이크로소프트사는 상업적으로 사용가능한 하드웨어를 다양한 타입의 프로그램에게 공급했다. 이러한 최근의 프로그램은 실행 시스템, 진단, 유틸리티, 모니터링 디스플레이 프로그램, 통계 프로그램 및 사용가능한 고차원 프로그램이고, 여기에서 설명되지 않는다. 위에서 언급된 바와 같이, 동작 모델 산출 프로그램은 미국 특허 제 4,891,748호 및 제 5,184,295호에 자세히 설명되어 있다.
컴퓨터(20)는 동작 모델의 비디오 이미지를 생성하기 위해 그래픽 카드(34)를 위한 필요로 하는 데이터를 그래픽 카드(34)로 보낸다. 그래픽 카드(34)는 컴퓨터(20)로부터 입력을 종합하여 교습 모니터(25)상에 디스플레이를 생성한다. 생성된 디스플레이는 교습자의 이미지에 덧씌워진 개인적 동작 모델과 관계된 교습자(8)의 비디오 이미지를 포함한다. 전형적으로 컴퓨터(20) 및 교습 모니터(25)는 교습자(8) 근처에 배치되어, 교습자(8)가 쉽게 그 또는 그녀의 골프 스윙의 결과를 주시할 수 있다.
C. 작동 및 교습 과정
육체적 기술 또는 활동을 행하는 학생을 가르치고 평가하기 위해 도 2에 도시된 교습 시스템은 개인적 동작 모델을 산출하고, 이하에서 설명된 온라인 및 비디오 오버레이 교습 및 평가 과정을 사용하여 학생을 가르치는 것을 포함한다. 교습을 하기 전에, 학생의 개인적 동작 모델이 엘리트 또는 우수한 동작 모델로부터 생성되어야 한다. 개인적 동작 모델을 생성하는 과정의 간략한 설명은 아래에 제공된다. 이 과정에 대한 더 자세한 설명은 미국 특허 제 4,891,748호 및 제 5,184,295호의 설명을 참고해야 한다.
간단하게, 개인적 동작 모델을 생성하는 것은 학생(8)의 3차원 신체 위치를 컴퓨터(20)에 입력하는 것으로 시작한다. 학생(8)의 비디오 이미지는 학생(8)의 정면 및 측면을 캡쳐하고, 높이, 너비 및 깊이의 필요한 좌표를 제공하기 위해 2개의 비디오 카메라(12, 14)를 사용하여 제공된다. 학생(8)은 모든 신체 부분이 보일 수 있고, 계측되는 것이 가능하도록 카메라(12, 14)의 정면에 잠시 서있는다. 학생(8)의 정면 및 측면 모두가 동시에 하드 드라이브 기억장치(16, 18)에 기록된다. 각각의 이미지는 즉시 또는 후에 처리하기 위해 하드 드라이브 기억장치(16, 18)에 저장된다.
각각의 시점에 있어서, 학생의 동작에서의 비디오 이미지는 그래픽 보드(34)를 통해 재생된다. 컴퓨터(20) 및 그래픽 보드(34)의 디지털화 성능을 사용하여, 학생(8)의 신체 및 장비 위치는 디지털화되고, 컴퓨터 처리를 위해 저장된다. 이러한 방식으로 학생의 3차원 디지털화된 패턴이 얻어진다.
학생의 신체 부분의 직접적인 측정 대신에, 그러한 정보는 학생에 의해 제공된 알려진 측정 데이터(키, 몸무게, 신발크기, 바지길이, 허리 사이즈, 자켓 사이즈, 셔츠 소매 길이 및 장갑 사이즈와 같은)로부터 결정될 수 있다.
학생의 신체 부분 정보가 결정된 후에, 3차원 개인적 동작 모델은 엘리트 또는 우수한 동작 모델을 학생의 정확한 신체 치수에 맞도록 변경함에 의해 엘리트 또는 우수한 동작 모델로부터 계산된다. 또한 학생의 신체 부분 및 우수한 동작 모델의 그것 사이의 차이 때문에 학생(8)이 제공해야할 모든 움직임 변경 또는 조정은 개인적 동작 모델에 있어서 중요하고, 그에 포함된다. 개인적 동작 모델이 생성된 후에, 온라인 또는 비디오 동작 오버레이 교습 및 평가 과정이 시작될 수 있다.
온라인 교습 과정
온라인 교습 과정은 학생이 실제 및 모델 동작 사이의 유사점과 다른점을 보여주도록 그 또는 그녀의 위치 또는 움직임 패턴과 그 또는 그녀의 실제 동작의 비디오 이미지를 덧씌운 그 또는 그녀의 개인적 동작 모델을 비교하도록 해준다. 온라인 교습 과정은 정적인 위치(예를 들어 골프에 있어서 셋업 또는 시작 위치)에서 사용되며, 강사는 개인적 동작 모델과 학생 사이의 차이점을 확인하고 즉시 바꾸도록 할 수 있다. 움직이거나 육체적 기술 또는 활동을 행할 때 이르게 되는 학생의 위치에 있어서, 학생은 위치에 대한 느낌을 드러내기 위해 정적인 위치로 배치될 수 있고 또는 학생은 강사가 모니터를 주시하는 동안 활동을 행할 수 있으며, 모니터 상에는 개인적 동작 모델이 선택된 위치에 이르는지 여부를 결정하기 위해 학생의 실제 동작의 비디오 이미지에 겹쳐서 표시된다. 언제라도 교습 장소에서 생성되는 비디오 이미지는 다른 시점 또는 다중 시점과 교체될 수 있고, 개별화된 동작 모델도 동시에 교정된 위치로 교환할 수 있다. 추가된 장점은 강습의 목적에 부합하는 즉각적인 점검이다. 만약 움직임 패턴이 너무 빠르게 일어나거나 교습 세션(session)을 저장할 경우, 컴퓨터에서 비디오 결과를 즉각적인 재검토를 위해 하드 드라이브 기억장치에 세이브될 수 있다. 온라인 교습 과정은 미국 특허 제 4,891,748호 및 제 5,184,295호에 더 자세히 설명되어 있다.
비디오 오버레이 동작 교습 과정
교습자는 보통은 교습자의 동작에 관한 비디오 이미지에 부가된 그 또는 그녀의 개인적 동작 모델을 덧씌워서 육체적 기술 또는 활동을 달성하려할 때, 비디오 오버레이 동작 교습 과정은 교습자의 동작을 비디오 기록한 하드 카피를 만드는 것을 포함한다. 예를 들어, 골프에 있어서, 과정은 그 또는 그녀가 타겟에서 공(예를 들어)을 치려고 할 때 교습자의 통상적인 골프 스윙을 비디오 기록하는 것을 포함한다. 교습자를 기준으로 계측된 개인적 동작 모델은 교습자가 그 또는 그녀의 스윙을 그 또는 그녀의 동작 모델의 스윙과 비교하도록 교습자의 비디오 이미지에 덧씌워진다. 그 후에 이 결과는 영구 기억장치로 보내져서 강사 및 교습자가 후에 결과를 재검토할 수 있도록 할 수 있다. 기억장치는 로컬 또는 인터넷 기반의 컴퓨 터, DVD, CD 또는 비디오 테이프와 같은 기록장치, 또는 다른 그러한 장치를 포함할 수 있으나 그에 제한되지 않는다. 비디오 오버레이 동작 교습 과정은 미국 특허 제 4,891,748호 및 제 5,184,295호에 더 자세히 설명되어 있다.
D. 소프트웨어 설명
도 3에 있어서, 교습자의 신체 부분의 크기 및 치수에 의해 부과된 동작 제한으로 인해 조정되거나 변형되는 교습자의 개인적 동작 모델을 생성하기 위한 부분 경향 서브루틴(Segment Trend Subroutine)이라고 불리는 과정(100)을 설명하는 순서도가 제시된다. 신체 부분 길이의 차이 때문에 엘리트 행위자가 시연하는 중요한 신체 움직임 조정 또는 움직임 패턴에 관한 경향 값(Trend value)은, 육체적 기술 또는 활동에 있어서 교습자의 이상적이거나 우수한 동작의 더 완벽하고 정확한 개인적 동작 모델을 만들기 위해 부분 경향 서브루틴(100)을 사용한 개인적 동작 모델로 통합된다. 부분 경향 서브루틴 과정(100)으로부터 산출된 개인적 동작 모델은 아래에서 설명하는 교습 방법 중의 하나 또는 둘 모두에서 사용될 수 있다.
예를 들어, 골프에 있어서, 부분 경향 서브루틴 과정(100)에 따른 개인적 동작 모델을 조정하거나 변경하는 것은 개인적인 신체 부분의 차이 및 그러한 신체 부분 사이의 복잡한 상호작용으로 인하여 PGA 골프 프로에 의해 시연된 통계적으로 중요한 신체 움직임 경향을 설명한다. 출원인이 확인한 중요한 신체 움직임 경향은, 신체 부분 길이와 관계되고 우수한 결과 달성을 위해 움직이는 엘리트 행위자가 시연하는 신체 움직임 및 움직임 패턴을 조정하거나 변경하는 것을 나타낸다. 신체 움직임 및 움직임 패턴에 관한 경향 분석은 손, 팔 아랫부분, 팔 윗부분, 어깨, 몸통 상부, 몸통 하부, 엉덩이, 다리 윗부분, 다리 아랫부분, 발을 포함하나 이에 한정되지 않은 많은 신체 부분을 고려한다. 또한 예를 들어 팔 전체, 몸통 또는 발을 포함하는 신체 부분의 조합은 부분 길이와 관련된 움직임 경향을 위해 분석된다. 그러한 신체 움직임 경향을 나타내는 동작 데이터는 엘리트 또는 우수한 동작 모델로 통합되는 상대적으로 정확한 움직임 값을 산출하며. 그러한 값은 부분 경향 서브루틴 과정(100)을 사용하여 위에서 설명한 프로그램 E 및 표준화 3으로부터 산출된다.
그에 의한 신체 부분 경향 접근은 교습자의 신체 부분 길이 때문에 동작 변경 및 제한을 설명하는 교습자의 이상적이거나 우수한 동작의 개인적 동작 모델을 엘리트 또는 우수한 동작 모델로부터 도출한다. 예를 들어 골프 스윙에 있어서, 신체 부분 경향 접근은 교습자의 키 차이의 결과로 인한 골프 클럽의 클럽 헤드의 경로 차이를 설명한다. 예를 들어, 출원자는 교습자의 뒤쪽으로부터 타겟 라인을 내려보면서 교습자의 키가 작아질수록 클럽 헤드의 경로는 자연적으로 수평 축을 따라서 그리고 그에 비례하여 평평해진다는 것을 신체 부분 경향 분석으로부터 주목한다. 또한 그러한 신체 부분 경향 분석은 교습자의 키가 클수록 클럽 헤드 경로는 자연적으로 수직 축을 따라서 그리고 그에 비례하여 서게 된다는 것을 나타낸다.
다른 예로는, 출원자는 골프 클럽의 백스윙의 길이 차이는 개인적인 신체 부분의 차이의 결과라는 것을 신체 부분 경향 분석으로부터 발견하게 된다. 그러한 분석은 골프 클럽을 휘두르는 교습자의 정면 또는 얼굴 쪽 시점에서 볼 때, 긴 신 체부분을 가진 교습자일수록 상대적으로 짧은 길이의 백스윙을 함에 비해, 짧은 신체 부분을 가진 교습자일수록 상대적으로 긴 길이의 백스윙을 한다는 것을 나타낸다.
그러나 도 3에 관하여 아래에 자세히 설명된 부분 경향 서브루틴 과정(100)은 전형적인 것이며, 그에 제한되지 않는다. 과정(100)은 예를 들어 "블록"이 추가되거나, 제거되거나 또는 재배열되어 변경될 수 있다.
도 3에 도시된 바와 같이 과정(100)은 엘리트 또는 우수한 행위자 신체 부분 길이와 관련된 움직임 패턴 경향에 관한 방정식을 읽거나 로딩하는 컴퓨터(20)와 연계된 블록(101)에서 시작한다. 신체 움직임 패턴에 관한 경향 방정식은 예를 들어 미리 정해진 수의 PGA 골프 프로와 같은 엘리트 또는 우수한 행위자의 집단에 대한 통계적인 경향 분석을 통해서 도출되며, 그들의 동작은 엘리트 또는 우수한 동작 모델을 생성하는데 사용된다. 신체 부분 길이와 관계된 신체 움직임 경향을 나타낼 수 있는 일반화된 방정식은 다음과 같다.
여기서,
SMVT = 움직임 경향이 적용된 후의 교습자 움직임 값(Student Movement Value)
SMVC = 움직임 경향이 적용되기 전의 현재 교습자 움직임 값(Current Student Movement Value)
i = 처리되는 움직임 경향의 구성성분
n = 움직임 경향의 개수
pmti = 동작 움직임 경향 상수(Performance movement trend constant)
SSRC = 교습자의 신체 부분 길이 및 엘리트 동작 모델의 신체 부분 길이 사이의 차이에서 도출된 교습자 부분 결과(Student Segment Result)
예를 들어, 위 방정식을 사용하여 움직임 경향이 스윙의 정상에서 골퍼의 오른손의 측면 위치를 의미한다면, 신장과 관련되기 때문에, 새로운 측면 위치 또는 교습자 움직임 값(SMVT)는 현재 측면 위치 또는 현재 교습자 움직임 값(SMVC)으로부터 시작되고, 움직임 경향(SSRC)과 관계된 그러한 모든 신체 부분에 의해 부가된 측면 변경이 움직임 경향 상수(pmti)에 의해 곱해진 것을 더하여 결정되며, 상수는 관계된 신체 부분의 측면 이동에 기여하는 바를 나타낸다. 움직임 경향 상수(pmti)는 엘리트 또는 우수한 경향 동작(예를 들어 PGA 골프 프로)의 통계적으로 도출되는 복귀 분석(regression analysis)을 사용하여 결정된다.
따라서 보통의 키보다 작은 골퍼에게는, 작은 골퍼의 부분 길이와 엘리트 또는 우수한 동작 모델과의 차이에 의해 부과된 경향 변화를 더한 후에, 오른손은 (공에서 멀어지며) 정해진 거리를 측면으로 이동한다. 이러한 오른손 측면 이동은 골프 스윙에 있어서 알려진 키와 관계된 동작 경향의 하나이다.
움직임 값(Movement Value)은 신체 부분 속도 또는 직선의 또는 각을 이룬 이동, 속도 또는 가속 값과 같은 동작의 다양한 특징의 조합과 같이 동작의 어떠한 특징일 수 있다. 또한 움직임 값은 교습자 신체 부분 또는 그것의 조합 중 어떤 것을 포함할 수 있다. 처리되는(i) 움직임 경향의 구성성분은 예를 들어 움직임 경향과 관계된 신체 부분을 포함할 수 있다.
블록(102)에서, 기구 또는 장비(예를 들어 골프 클럽)가 활동 또는 기술(예를 들어 골프 클럽을 스윙하는 것)을 행하는데 수반되거나 필요한가 여부에 대한 질문이 제시된다.
만약 블록(102)에서 질문에 대한 대답이 "예"라면, 과정(100)은 블록(103)으로 진행되고, 개인적 동작 모델의 동작시 사용되는 기구 또는 장비의 원위치는, 모델이 이러한 서브루틴에 따라 변경된 후에 기구 또는 장비의 위치 요구가 모델의 동작으로 되돌아가기 위해 동작을 통해, 컴퓨터에 저장된다.
만약 블록(102)에서 질문에 대한 대답이 "아니오"라면, 과정(100)은 블록(106)으로 진행한다.
블록(104)에서, 기술 또는 활동의 동작시 기구 또는 장비 일부와 닿은 개인적 동작 모델의 어떠한 신체 부분의 원위치는, 모델이 변경된 후에 행위자와 장비의 인터페이스는 모델의 동작에 있어서 적절하게 교체되기 위해, 모델의 동작을 통해 컴퓨터에 저장된다.
블록(105)에서, 컴퓨터(20)는 장비의 경향에 관한 모든 엘리트 행위자 부분 길이를 위한 방정식을 읽거나 로드한다. 장비에 관한 경향 방정식은 장비 부분 길이로 인한 움직임 경향을 결정하기 위해 엘리트 또는 우수한 행위자(예를 들어 미리 결정된 수의 PGA 골프 프로)의 집단에 근거한 통계적인 경향 분석을 통해 도출된다. 장비 부분 길이와 관련된 장비 움직임 경향을 나타낼 수 있는 일반화된 방정식은 다음과 같다.
여기서,
SEVT = 움직임 경향이 적용된 후의 장비 움직임 값(Equipment Movement Value)
SEVC = 움직임 경향이 적용되기 전의 현재 장비 움직임 값(Current Equipment Movement Value)
i = 처리되는 움직임 경향의 구성성분
n = 경향 구성성분의 개수
pmti = 동작 움직임 경향 상수
SSRC = 교습자의 신체 부분 길이 및 엘리트 동작 모델의 신체 부분 길이 사이의 차이로부터 도출된 교습자 부분 결과
예를 들어, 위 방정식을 사용하여 만약 장비 동작 경향이 스윙의 정상에서 골퍼의 클럽 버트(butt)의 수평 위치를 의미한다면, 그것은 키와 관련되기 때문에, 새로운 수평 위치(SEVT)는, 현재 수평 위치(SEVC)를 시작으로 움직임 경향 상수(pmti)를 곱한 경향(SSRC)에 포함되는 그러한 모든 신체 부분에 의해 부과되는 수평 변경을 더하여 결정되며, 상수는 관계된 신체 부분의 수평 이동에 기여하는 바를 나타낸다. 위에서 언급된 바와 같이, 움직임 경향 상수(pmti)는 엘리트 또는 우수한 경향 동작(예를 들어 PGA 골프 프로의)의 통계적으로 도출되는 복귀 분석을 사용하여 결정된다.
따라서 보통의 키보다 작은 골퍼에게는, 작은 골퍼의 부분 길이와 표준의 동작 모델과의 차이에 의해 부과되는 경향 변화를 더한 후에 클럽 버트가 수평으로 결정된 거리를 이동하며(타켓을 향하여-더 긴 스윙), 이는 골프 스윙에서 알려진 키와 관계된 동작 경향 중의 하나이다.
움직임 값은 장비 부분 속도 또는 직선의 또는 각을 이룬 이동, 속도 또는 가속도와 같은 동작의 다양한 특징의 조합과 같은 동작의 어떤 특징이 될 수 있다. 또한 움직임 값은 장비 부분 또는 그것들의 조합의 어떤 것이라도 포함한다. 처리되는(i) 움직임 경향의 구성성분은 예를 들어 움직임 경향과 관계되는 각각의 장비 부분을 포함할 수 있다.
이러한 서브루틴에 의해 생성된 교습자의 최종적인 변경된 모델 또는 최종적 인 개인적 동작 모델을 원래의 시작 참고 위치로 돌려보내기 위해서는, 모델 동작의 원래 왼발 위치가 블록(106)에서 컴퓨터에 저장된다. 경향 방정식에 사용하기 위한 원래의 동작 결과가 사용가능하기 위해서는, 원래 모델 동작 위치가 블록(107)에서 동작을 통해 컴퓨터에 저장된다.
컴퓨터(20)로 들어가는 모든 경향 방정식은 교습자의 신체 부분 길이 및 기구 또는 장비 일부의 부분 길이에 기반을 두고 있기 때문에, 모든 고정된 교습자 신체와 고정된 기구 및 장비 부분 길이는 블록(108)에서 교습자의 동작 비디오 기록의 모든 프레임에 걸쳐서 계산된다. 또한 모든 탄력적인 교습자 신체와 탄력적인 기구 및 장비 부분 길이는 블록(109)에서 교습자의 동작 비디오테이프의 모든 프레임에 걸쳐서 계산된다. 만약 교습자의 신체 부분 결과가 신체 부분 디지털화 과정으로부터 사용가능하다면, 위에서 설명되고 미국특허 제 4,891,748호 및 미국특허 제 5,184,295호에서 계산된 신체 부분 결과는 결과를 검증하기 위해 디지털화된 값과 비교된다. 만약 신체 부분 데이터가 다른 입력(예를 들어 신발 사이즈 측정치, 팬츠 길이 등)으로부터 획득되는 경우, 그럴 때 이러한 계산된 신체 부분 결과는 독점적으로 쓰인다.
교습자의 개인적 동작 모델을 변경하기 위해, 서브루틴 과정(100)이 블록(110)에서 초기화하거나 프레임 카운터(frame counter)를 O에 맞춘다. 블록(110')에서 컴퓨터(20)는 하부 신체 움직임 경향을 위한 방정식을 읽거나 로드한다.
예를 들어, 골퍼의 수평방향 오른쪽 발가락 위치(스탠스 너비)에 영향을 미 치는 교습자 신체 너비 경향은 하부 신체 부분(예를 들어 발, 다리 하부, 다리 상부, 엉덩이 또는 장골부위)의 일부분 또는 모두의 너비 변경에 기여하는 바를 합하여 계산된다. 그 후에 이러한 변경은 경향을 통합하기 위해 현재 모델 위치에 가산된다.
블록(111)에서, 모든 하부 신체 부분의 위치는 하부 신체 움직임 경향을 편입하기 위해 조정된다. 위의 예에서, 오른쪽 발가락이 이동한다면 결부된 신체 부분은 또한 발가락과 관련되어 이동이 일어나기 전에 그러한 신체 부분이 있었던 상대적으로 같은 위치에 배치되도록 이동된다.
블록(112)에서, 관련된 하부 신체 부분의 위치를 조정하기 위해 추가적인 하부 신체 움직임 경향이 모델로 통합될 것인지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 각각의 하부 신체 움직임 경향이 모델로 통합될 때까지 컴퓨터(20)는 블록(110')에서 하부 신체 움직임 경향을 위한 방정식을 읽고, 나아가 블록(111)에서 모델의 하부 신체 부분과 관련된 각각의 위치를 조정한다. 위의 예에서 발가락 수평 위치가 조정된 후에, 발가락의 움직임 경향에 영향을 미칠 수 있는 어떠한 다른 경향도 통합된다. 한번 이러한 과정이 완성되면, 모든 다른 하부 신체 부분 구성성분도 처리된다.
만약 블록(112)에서 질문에 대한 대답이 "아니오"라면, 과정(100)은 아래에서 설명하는 블록(113)으로 진행한다.
조정된 동작 모델의 왼쪽 발 위치는 원래의 왼쪽 발 위치에 맞추기 위해, 블록(113)에서 하부 신체 부분은 재배치되거나 원래의 왼쪽 발 위치에 맞도록 이동된 다. 만약 교습자의 하부 신체 부분 길이가 동작 모델을 생성하기 위한 전형적인 엘리트 행위자의 그것과 다르다면, 이동 거리는 경향 조정을 통해 성취될 발전을 감소시킬 정도로 클 수 있다.
블록(114)에서, 새로운 하부 신체 부분 위치에 있어서 관련된 하부 신체 부분 각각을 재배치시키기 위해 동작 모델의 상부 신체 부분의 위치는 조정되거나 이동된다. 예를 들어, 2개의 장골이 골프의 다운스윙 동안 약 2인치 정도 앞으로 이동한다면, 상부 신체는 새로운 하부 신체 위치 위로 재배치되기 때문에 모든 상부 신체 부분은 자동으로 이러한 움직임 동안 2인치 앞으로 이동한다.
블록(115)에서, 컴퓨터(20)는 상부 신체 움직임 경향을 위한 방정식을 읽거나 로드한다. 예를 들어, 스윙의 정상에서 수평의 왼쪽 어깨 위치에 영향을 미치는 교습자 신체 너비 경향은 골퍼의 어깨 회전에 영향을 미치며, 하부 신체 부분(예를 들어, 발, 다리 하부, 다리 상부, 엉덩이 또는 장골)의 일부 또는 모든 부분과 상부 신체 부분(예를 들어, 척추부분, 어깨, 목 또는 머리)의 일부 또는 모든 부분의 너비 변경에 기여하는 바를 합하여 계산할 수 있다. 그 후에 이러한 변경은 경향을 통합하기 위해 현재 모델 위치로 가산된다.
블록(116)에서, 모든 상부 신체 부분의 위치는 상부 신체 움직임 경향을 통합하기 위해 조정된다. 위의 예에 있어서, 만약 왼쪽 어깨가 이동되면 결부된 신체 부분은 또한 어깨에 관하여 이동이 일어나기 전에 있었던 상대적으로 동일한 위치에 배치되도록 이동된다.
블록(117)에서, 관련된 상부 신체 부분의 위치를 조정하기 위해 추가적인 상 부 신체 움직임 경향이 모델로 통합되어야 하는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(100)은 블록(115)로 진행되고, 추가적인 상부 신체 움직임 경향을 위한 방정식을 읽는다. 블록(116)에서 각각의 추가적인 상부 신체 움직임 경향이 모델로 통합될 때까지 모델의 관련된 상부 신체 부분 각각을 배치하기 위한 추가적인 조정이 이루어진다. 위의 예에서, 어깨의 수평 위치가 조정된 후에, 어깨의 움직임에 영향을 미치는 다른 어떤 경향이 통합된다. 이것이 한번 완성되면, 다른 모든 상부 신체 부분 구성성분은 처리된다.
만약 블록(117)에서 질문에 대한 대답이 "아니오"라면, 과정(100)은 아래에 설명된 블록(118)으로 진행한다.
블록(118)에서, 개인적 동작 모델의 팔 위치는 상부 신체 움직임 경향을 통합하기 위해 새로운 어깨 위치와 관련해서 조정된다. 예를 들어, 만약 골프를 칠 때 백스윙 동안에 두 어깨 지점이 10도 더 회전할 경우, 모든 팔 부분은 자동으로 새로운 어깨 위치로 이동한다.
블록(119)에서, 컴퓨터(20)는 팔 움직임 경향에 대한 방정식을 읽거나 로드한다. 예를 들어, 골퍼의 공 충돌시 수평의 왼쪽 손 위치에 영향을 미치는 교습자의 신체 부분 길이 경향은 하부 신체 부분(예를 들어, 발, 다리 하부, 다리 상부, 엉덩이 또는 장골)의 일부 또는 모두 및 상부 신체 부분(예를 들어, 척추 부분, 어깨, 목 또는 머리)의 일부 또는 모두 및 팔 부분(예를 들어, 팔 상부, 팔 하부 또는 손)의 길이 변경에 기여하는 바의 합산에 의해 계산될 수 있다. 그 후에 이러한 변경은 경향을 통합하기 위해 현재 모델 위치로 가산된다.
블록(120)에서, 개인적 동작 모델의 팔 부분 위치는 팔 움직임 경향을 통합하기 위해 조정된다. 위의 예에 있어서, 만약 왼팔이 이동하면 결부된 신체 부분은 또한 손에 관하여 이동이 일어나기 전에 있었던 상대적으로 동일한 위치로 배치되도록 이동된다.
블록(121)에서, 모든 관련된 팔 부분의 위치를 조정하기 위해 추가적인 팔 움직임 경향이 모델로 통합되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(100)은 각각 블록(119)과 블록(120)으로 진행하고, 팔 움직임 경향에 대한 방정식을 읽고, 각각 추가적인 팔 움직임 경향이 모델로 통합될 때까지 모델의 각각 관련된 팔 부분 위치를 조정한다. 위의 예에서, 왼쪽 팔 수평 위치가 조정된 후에, 팔의 움직임에 영향을 미치는 어떠한 다른 경향이 통합된다. 이것이 한번 완성되면, 다른 모든 팔 부분 구성성분은 처리된다.
만약 블록(121)에서 질문에 대한 대답이 "아니오"라면, 과정(100)은 아래에 설명된 블록(122)으로 진행한다.
블록(122)에서, 도구 또는 장비가 기술의 활동을 행하는데 필요한가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(100)은 블록(123)으로 진행한다. 만약 질문에 대한 대답이 "아니오"라면, 과정(100)은 블록(127)으로 진행한다.
블록(123)에서, 개인적 동작 모델의 행위자-장비 인터페이스가 유지되는데 도움을 주기 위해 각각의 하부 및 상부 신체 부분의 새로운 또는 변경된 위치에 맞추기 위한 목적으로, 기술 또는 활동에 관계된 도구 또는 장비의 특정 부분의 위치 는 조정되거나 이동된다. 예를 들어, 과정(100)이 동작 모델의 손을 측면으로 1인치만큼 이동시킨다면, 행위자-장비 인터페이스를 복구하기 위해 동작 모델의 손에 장비를 다시 배치할 목적으로 장비의 대응하는 부분은 같은 양만큼 이동되어야 한다.
컴퓨터(20)는 블록(124)에서 도구 또는 장비 경향에 대한 방정식을 읽거나 로드한다. 예를 들어, 골퍼의 공 충돌시 클럽 샤프트의 각위치(예를 들어, 클럽의 기울기)에 영향을 주는 교습자 신체 부분 길이 경향은, 일부 또는 전부의 하부 신체 부분(예를 들어, 발, 다리 하부, 다리 상부, 엉덩이 또는 장골)과 일부 또는 전부의 상부 신체 부분(예를 들어, 척추 부분, 어깨, 목 또는 머리) 및 일부 또는 전부의 팔 부분(예를 들어, 팔 상부, 팔 하부 또는 손)의 길이-변경에 기여하는 바를 합산하여 계산된다. 이러한 변경은 그 후에 경향을 통합하기 위한 현재 모델 위치로 합산된다.
블록(125)에서, 도구 또는 장비의 관련 부분의 위치는 블록(125)에서 장비 움직임 경향을 통합하기 위해 조정된다. 위의 예에서, 만약 클럽 샤프트 위치가 이동되면 결부 부분은 또한 손과 관련해서 이동이 일어나기 전에 있었던 상대적으로 같은 위치에 배치되도록 이동된다.
블록(126)에서, 관련된 도구 또는 장비 부분의 위치를 조정하기 위해 추가적인 장비 경향이 모델로 통합되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(100)은 블록(124)으로 진행되고 장비 경향에 관한 방정식을 읽는다.
블록(125)에서, 각각의 추가적인 장비 경향이 모델로 통합될 때까지 관련된 도구 또는 장비 부분의 위치가 조정된다. 위의 예에서, 클럽 샤프트의 각위치가 조정된 후에 샤프트의 움직임에 영향을 미치는 어떠한 다른 경향은 통합된다. 이것이 한번 완성되면, 다른 모든 장비 구성성분은 처리된다.
블록(126)의 질문에 대한 대답이 "아니오"라면, 과정(100)은 아래에서 설명된 블록(127)으로 진행한다.
블록(127)에서, 장비와 접촉하는 교습자의 신체 부분의 위치는 각각의 장비 부분의 새로운 또는 변경된 위치로 맞추기 위해 각각의 부분을 본래의 위치로 되돌리기 위하여 조정되거나 이동된다. 그러한 조정으로 인하여, 장비와 접촉한 신체 부분에 의해 직접적으로 영향을 받는 추가적인 신체 부분이 더 조정될 수 있다. 예를 들어, 클럽 샤프트가 이동되면, 결부된 부분은 또한 샤프트에 관하여 이동이 일어나기 전에 있었던 상대적으로 같은 위치로 배치되도록 이동되어야 한다.
블록(128)에서, 모든 프레임이 완성되었는가에 관한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면 동작 움직임(예를 들어 골프 스윙)은 완성되고, 과정(100)은 블록(130)으로 진행한다. 만약 대답이 "아니오"라면, 과정(100)은 블록(129)으로 진행한다.
블록(129)에서, 프레임 카운터가 증가되고, 동작 모델의 움직임에 관한 다음 프레임을 조정하는 과정(100)이 시작된다.
블록(130)에서, 과정(100)은 서브루틴 정규화1 프로그램이 시작하도록 한다. 서브루틴 정규화1 프로그램은 신체 부분과 도구 또는 장비 부분의 위치 데이터를 다시 정규화하여 모델 그 자체의 평균 신체 부분 사이즈에 맞도록 한다. 프로그램은 특히 가이드라인으로서 엘리트 또는 우수한 동작 모델의 표준화된 부분 길이를 사용하여 동작에 있어서 개인적 동작 모델의 부분 길이를 표준화한다. 이는 경향 통합 과정(100) 동안에 발생하는 어떠한 부분 위치 오류를 제거한다.
과정(100)은 그 후에 메인 프로그램으로 복귀할 수 있다.
도 4a 내지 4b에 있어서, 교습자가 기술 또는 활동을 행할 때 광범위하고 정성적인 것에 기초한 동작 분석을 생성하기 위한 정량적 행위자 평가(Quantitative Performer Evaluation)로 불리는 과정(200)을 설명하는 순서도가 제공된다. 과정(200)은 교습자가 행하는 기술 또는 활동의 움직임 데이터를 수집하고, 그러한 데이터를 미국 특허 제 4,891,748호 및 제 5,184,295호에서 설명된 프로그램 E 및 표준화3 및 이곳에서 설명된 부분 경향 서브루틴 과정(100)으로부터 생성된 교습자의 개인적 동작 모델의 대응하는 정보와 비교하는 것을 포함한다. 또한 만약 기술 또는 활동을 행하는데 도구 또는 장비가 사용된다면, 과정(200)은 장비 움직임 데이터 및 교습자 움직임 데이터에 따라 동시에 일어나는 다른 장비의 관련된 결과를 수집하는 것을 포함한다. 이러한 과정(200)은 교습자가 기술 또는 활동을 행하는 비디오 기록을 수집하고, 동작을 정량화하는 것을 포함한다.
과정(200)은 또한 3개의 서브루틴 과정을 포함하며, 각각은 도 5a 내지 도 7과 관련하여 아래에서 자세하게 설명되며, 교습자의 기술 또는 활동에 관한 동작의 정량적이고 통계적인 것에 기초한 동작 점수를 계산하는 동작 채점 서브루틴 과정(300), 교습자의 동작에 있어서 통계적으로 중요한 동작 오류를 확인하는 동작 오류 서브루틴 과정(400) 및 개별 교습자 및 그 또는 그녀의 동작에 관하여 정량적이고 연구에 기초한 장비 적합화를 제공하는 장비 적합화 서브루틴 과정(500)을 포함한다.
그러나 아래에서 설명하는 정량적 행위자 평가 과정(200)은 대표적인 예이며, 그에 한정되는 것은 아니다. 과정(200)은 변경될 수 있다.(예를 들어 "블럭"이 추가되고, 제거되거나 재배열됨에 의해)
블록(201)에서, 과정(200)은 교습자의 기술 또는 활동(예를 들어, 골프 스윙이나 다른 움직임)의 동작을 캡쳐하고 기록하는 것에서 시작하며, 적어도 2개의 비디오 카메라(예를 들어 위에서 설명한 비디오 카메라(12) 및 (14)와 같은)를 사용한다. 골프 스윙에 있어서, 교습자(8)가 드라이빙 플랫폼에 서있을 때 제 1 비디오 카메라(14)는 그 또는 그녀의 정면을 기록한다. 위에서 설명한 바와 같이, 제 1 비디오 카메라(14)는 하드 드라이브 기억장치(16)에 비디오 기록을 저장하는 시스템 컴퓨터(20)로 연결된다. 제 2 비디오 카메라(12)는 교습자(8)의 측면을 기록하고, 또한 하드 드라이브 기억장치(18)에 비디오 기록을 저장하는 컴퓨터(20)로 연결된다.
블록(202)에서, 장비가 기술 또는 활동에 관련되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(200)은 블록(203)으로 진행된다. 만약 대답이 "아니오"라면, 과정(200)은 블록(211)으로 진행된다.
블록(203)에서, 충돌이 기술 또는 활동에 관련되는가에 대한 질문이 제시된다. 충돌은 교습자(8)가 그 또는 그녀 자신의 신체 부분 또는 장비의 일부가 드라 이빙 플랫폼(26) 또는 바닥과 접촉해 있거나, 그 또는 그녀 자신의 신체 부분 또는 장비의 일부로 다른 물체를 치는 것을 포함할 수 있다. 만약 질문에 대한 대답이 "예"라면 과정(200)은 블록(204)으로 진행한다. 만약 대답이 "아니오"라면, 과정(200)은 블록(211)으로 진행한다.
블록(204)에서, 기술 또는 활동의 동작시 교습자(8) 혹은 그 또는 그녀의 장비가 바닥 또는 드라이빙 플랫폼(26)과 접촉해 있는지에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(200)은 블록(205)으로 진행된다. 만약 대답이 "아니오"라면, 과정(200)은 블록(206)으로 진행된다.
블록(205)에서, 바닥 접촉 정보의 데이터 세트는 힘 플랫폼(force platform) 수집 테크놀로지(collection technology)와 같은 기술분야에서 총체적으로 알려진 장비 및 방법을 사용하여 기술 또는 활동의 동작 전체에 걸쳐서 수집된다. 예를 들어, 교습자(8)가 서있을 수 있는 상업적으로 이용가능한 힘 플랫폼 또는 판은 스위스 빈터투어의 키슬러사(Kistler Corporation of Winterthur, Switzerland)가 제작한 키슬러 포스 플레이트(Kistler Force Plate)를 포함한다. 그러한 테크놀로지는 기술 또는 활동의 동작시 교습자(8)의 밑에 있는 힘 플랫폼 또는 판을 배치하는 것을 포함한다. 플랫폼 또는 판 및 다른 관련 장비와 방법은 바닥 힘, 모멘트 및 힘 작용의 위치와 같은 접촉 정보를 기록하고 또한 측정한다. 바닥 힘은 바닥에서 교습자(8)가 그 또는 그녀 자신, 그 또는 그녀의 장비 및 외부 물체의 직선 움직임을 변경하는 시도에 의해 발휘되는 선형 수직의, 측면 또는 수평의 힘을 포함한다. 모멘트는 바닥에서 교습자(8)가 그 또는 그녀 자신, 그 또는 그녀의 장비 및 외부 물 체의 회전 움직임을 변경하는 시도에 의해 발휘되는 앵귤러 포스(angular force)를 포함한다. 힘 작용 위치는 힘 작용의 지점을 포함한다. 예를 들어, 교습자가 발가락으로 바닥을 딛고 걸을 때 발가락이 바닥에 닿는 위치인 힘이 작용하는 지점에서 선형의 또는 앵귤러 포스는 즉시 바닥에 작용한다. 바닥 접촉 정보는 골프 신발 선택 및 피해 평가를 포함하나 이에 제한되지 않는 많은 이유로 인하여 관심을 끌 수 있다.
블록(206)에서, 도구 또는 장비가 기술 또는 활동의 동작시에 교습자에게 결부되는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(200)은 블록(207)으로 진행된다. 만약 대답이 "아니오"라면, 과정(200)은 블록(208)으로 진행된다.
블록(207)에서, 도구 또는 장비가 기술 또는 활동의 동작시에 교습자에게 결부된다면, 동작 데이터는 적용가능한 장비 및 방법을 사용하여 수집될 수 있다. 예를 들어, 결부된 장비가 골프 클럽이라면, 응력/변형(stress/strain) 수집 테크놀로지와 같은 기술분야에서 총체적으로 알려진 장비 및 방법은 선형 및 각변위 데이터와 선형 및 앵귤러 포스 데이터를 포함하는 데이터 세트를 수집하기 위해 골프 클럽의 샤프트에 결부될 수 있다. 이러한 테크놀로지는 교습자(8)가 장비를 누르고(응력) 잡아당기면서(변형) 가하는 힘에 장비가 어떻게 반응하는지를 측정한다. 이러한 힘은 기술 또는 활동의 동작시에 장비가 굽히거나 회전하게 한다. 장비의 회전은 각방향 움직임을 발생시키는 것에 비해, 장비의 굽힘은 선형의 움직임을 발생시킨다. 예를 들어, 그러한 테크놀로지는 스위스 빈터투어의 키슬러사가 제작한 키슬러 응력/변형 측정장치(Kistler Stress/Strain measurement device)를 포함한다. 그러한 데이터는 기술 또는 활동의 동작 전체에 걸쳐서 수집될 수 있다. 예를 들어, 어떤 골프 클럽의 샤프트의 동작에 관심이 있다면, 아래에서 설명한 장비 적합화 서브루틴 프로그램(Equipment Fitting Subroutine Program, 500)을 활용하여 최고의 골프 클럽 샤프트를 결정하기 위한 목표 하에, 교습자가 스윙하는 동안 골프 클럽에 결부된 응력/변형 수집 테크놀로지는 샤프트의 굴곡 및 회전과 같은 특정한 데이터를 수집할 수 있다.
많은 경우에서, 교습자에게 결부된 장비의 특정 부분의 선형 및 각방향 움직임 데이터가 예상된다. 예를 들어, 충돌은 골프공(결부되지 않은 장비)과 같은 다른 물체를 치는데 사용되는 골프 클럽(결부된 장비)과 같은 도구를 수반한다. 골프 클럽과 공과의 상호작용은 특정한 교습자에게 맞는 가장 효율적인 클럽을 결정하기 위해 흥미를 끌 수 있다. 충돌 또는 골프 클럽 헤드와 공과의 상호작용 및 그러한 충돌의 결과는 런치 모니터 테크놀로지(launch monitor technology)와 같은 기술분야에서 총체적으로 알려진 다양한 수집 장비 및 방법에 의해 기록되고 측정될 수 있다. 예를 들어, 그러한 테크놀로지는 노스캐놀라이나, 윈스턴세일럼의 애쿠스포츠사(AccuSport, Inc. of Winston-Salem, North Carolina)가 제작한 벡터 런치 모니터(Vector Launch Monitor)를 포함한다. 그러한 테크놀로지는 충돌시 3차원상의 클럽 헤드 속력(속도) 및 2개의 축에 따른 클럽 회전과 같은, 그러나 이에 제한되지 않는, 클럽 충돌 특징을 기록하고 측정한다. 또한 클럽 헤드와 공과의 충돌 및 그러한 충돌의 결과를 기록하고 측정하는데 사용되는 다른 장치 및 방법은 레이저, 사진, 광전효과 및 압력 장치와 방법을 포함하나 이에 제한되지 않는다.
블록(206)의 질문에 대한 대답이 "예"라면, 골프 클럽 헤드와 공과의 충돌에 있어서 여러 데이터 세트가 기술 또는 활동의 동작시 블록(207)에서 수집되고, 이는 효과적인 로프트(loft)와 정면 충돌 위치와 같은 이러한 기본 데이터로부터 결정되는 다른 결과 뿐만이 아니라 여기에서 언급된 것을 포함한다. 충돌 특징을 수집하고 측정하는데 사용되는 장비 및 방법에도 불구하고, 충돌 결과는 (1) 골프 클럽과 같은 결부된 도구의 3차원 상의 위치 및 속력과 (2) 도구의 3차원 상의 각위치 및 회전에 관한 측정치를 포함해야 한다. 과정(207)은 그 후에 블록(208)으로 진행한다.
블록(208)에서, 결부되지 않은 장비가 기술 또는 활동의 동작시 사용되는가에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(200)은 블록(209)과 블록(210)으로 진행되며, 대답이 "아니오"라면, 과정(200)은 블록(211)으로 진행된다.
블록(209)에서, 결부되지 않는 장비가 사용된다면, 고속도(high-speed) 위치 수집 테크놀로지와 같은 기술분야에서 총체적으로 알려진 그러한 장비 및 방법은 골프공의 동작 결과의 데이터 세트를 수집할 수 있다. 예를 들어, 충돌은 골프공(결부되지 않는 장비)과 같은 다른 물체를 치는데 사용하는 골프 클럽(결부된 장비)과 같은 도구를 수반할 수 있다. 골프 클럽 헤드와 공과의 상호작용은 특정한 교습자에게 맞는 가장 효과적인 골프공을 결정하기 위해 흥미를 끌 수 있다. 위에서 설명한 바와 같이, 충돌 또는 골프 클럽 헤드와 공의 상호작용 및 그러한 충돌 의 결과는 런치 모니터 장비 및 방법으로 기록되고 측정될 수 있다. 런치 모니터 장비 및 방법은 3차원 상의 공 속력 및 2개의 축에 따른 공 회전을 포함하나 이에 제한되지 않는 공 충돌 특징을 기록하고 측정한다.
블록(208)에서 질문에 대한 대답이 "예"라면, 골프 클럽 헤드와 공과의 충돌의 여러 데이터 세트가 블록(209)에서 기술 또는 활동의 동작시 수집되며, 공 런치 각도, 비행 시간, 공 높이와 수평 및 측면 공중 및 지상 거리를 포함하나 이에 제한되지 않는 이러한 기본 데이터로부터 결정되는 다른 결과 뿐만이 아니라 여기에서 언급된 것을 포함한다. 충돌 특징을 수집하고 측정하는데 사용되는 장치 및 방법에도 불구하고, 충돌 결과는 (1) 골프공과 같은 결부되지 않은 도구의 3차원 상의 위치 및 속력, (2) 도구의 3차원 상의 각위치 및 회전에 대한 측정치를 반드시 포함해야 한다. 과정(200)은 그 후에 블록(210)으로 진행한다.
블록(210)에서, 고속도 위치 수집 테크놀로지는 골프공의 각변위 위치 데이터와 각속도 및 가속도 데이터를 포함하는 동작 결과에 대한 데이터 세트를 수집할 수 있다.
기술 또는 활동의 동작에 있어서 결론적으로, 기록된 비디오 동작이 동작 시작시에 배치된다.
블록(212)에서, 제 1 및 제 2 비디오 레코더는, 분할된 화면 구성으로 하나의 디스플레이 모니터(25)상에 교습자의 제 1 또는 정면 위치와 교습자의 측면 위치 모두를 나타내기 위해 비디오 디코더(decoder) 수단(22)을 통해 비디오 이미지를 재생한다.
블록(213)에서, 프레임 카운터는 초기화 또는 O에 맞춰진다.
블록(214)에서, 교습자의 골프 스윙 동작의 비디오 기록은 정량화된다. 교습자의 골프 스윙에 수반되는 신체 부분의 위치는 비디오 이미지상의 중요한 신체 관절 또는 지점의 위치를 디지털화해서 정면 카메라 시점과 측면 카메라 시점에서 수집된다. 위에서 설명되고 도 1에 도시된 컴퓨터(20)의 디지털화 능력은 교습자의 신체 부분의 위치를 즉시 또는 차후에 컴퓨터 처리하기 위한 디지털화 및 저장하는데 사용된다. 디지털화 과정은, 위에서 설명되고 미국 특허 제 4,891,748호 및 제 5,184,295호에서 설명된 바와 같이, 직접 선형 변환 방법(direct linear transformation method) 또는 90°카메라 오프셋 방법 중의 하나를 채용할 수 있다.
블록(215)에서, 장비가 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(216)으로 진행되고, 만약 대답이 "아니오"라면, 과정은 블록(225)으로 진행된다.
각각의 정면 및 측면 카메라 시점으로부터 중요한 장비 지점 위치를 디지털화하여, 도구 또는 장비의 위치가 블록(216)에서 수집된다. 디지털화 과정은 위에서 언급한 그러한 방법을 채용할 수 있다.
블록(217)에서, 기술 또는 활동에서 충돌이 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(218)으로 진행되고, 대답이 "아니오"라면, 과정은 블록(225)으로 진행된다.
블록(218)에서, 바닥 접촉이 기술 또는 활동에 수반되는가에 대한 질문이 제 시된다. 만약 대답이 "예"라면, 과정(200)은 블록(219)으로 진행되고, 만약 대답이 "아니오"라면, 과정(200)은 블록(225)으로 진행된다.
블록(219)에서, 바닥 힘, 모멘트 및 힘 작용의 위치와 관련된 데이터를 포함하는 이미 수집된 접촉 정보는 그러한 데이터가 위에서 설명된 데이터 수집 과정 동안에 저장된 컴퓨터(20) 하드 드라이브 기억장치(16 또는 18) 중의 하나 또는 둘 모두로부터 검색된다. 예를 들어, 교습자가 발로 바닥을 친다면, 컴퓨터(20)는 선형 및 각방향 힘과 접촉지점과 관련된 데이터를 검색한다.
블록(220)에서, 도구 또는 장비가 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(221)으로 진행하고, 만약 대답이 "아니오"라면, 과정(200)은 블록(222)으로 진행한다.
블록(221)에서, 만약 도구 또는 장비가 교습자에게 결부되어 있다면, 이미 수집된 각방향 및 선형 변위와 힘 데이터는 그러한 데이터가 위에서 설명된 데이터 수집 과정 동안에 저장된 컴퓨터(20) 하드 드라이브 기억장치(16 또는 18)로부터 검색된다.
블록(222)에서, 도구 또는 장비가 교습자에게 결부되지 않는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(200)은 블록(223) 및 블록(224)으로 진행한다. 만약 대답이 "아니오"라면, 과정(200)은 블록(225)으로 진행한다.
블록(223)에서, 도구 또는 장비가 교습자에게 결부되지 않는다면, 과정(200)은 선형 변위, 속도 및 가속도 데이터를 장비 부분 각각의 수집된 위치와 결부시킨 다.
블록(224)에서, 컴퓨터(20)는 하드 드라이브 기억장치(16 또는 18)로부터 위에서 설명된 데이터 수집 과정 동안 하드 드라이브 기억장치(16 또는 18)에 저장된 각변위, 속도 및 가속도 데이터를 검색한다. 예를 들어, 만약 골프공이 충돌했다면, 컴퓨터(20)는 공의 동작에 따른 선형 및 각방향 움직임 결과를 검색한다.
블록(225)에서, 교습자 동작(비디오 기록)이 완성되었는가(끝났는가)에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(228)으로 진행한다. 만약 대답이 "아니오"라면, 과정(200)은 블록(226)으로 진행한다.
블록(226)에서, 동작(비디오 기록)이 완성되지 않았으면, 비디오 디스플레이는 다음의 중요한 비디오 위치로 나아가며, 블록(227)에서, 프레임 카운터가 증가된다. 디지털화 과정은 블록(214)에서 반복된다.
블록(228)에서, 만약 동작(비디오 기록)이 완성되었다면, 동작 채점 서브루틴 과정(300)이 교습자의 기술 또는 활동의 동작 전체에 걸쳐서 그 또는 그녀의 기술 또는 동작을 채점하기 위해 호출될 수 있다.
블록(229)에서, 동작 오류가 산정되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(230)으로 진행되고, 만약 대답이 "아니오"라면, 과정(200)은 블록(231)으로 진행된다.
블록(230)에서, 동작 오류 서브루틴 과정(Performance Errors Subroutine process, 400)이 호출되며, 동작 오류는 사용된 동작 채점 서브루틴 과정(300)에서 도출되는 점수를 사용하여 산정된다.
블록(231)에서, 도구 또는 장비가 기술 또는 활동에 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(232)으로 진행하고, 만약 대답이 "아니오"라면, 과정(200)은 블록(234)으로 진행한다.
블록(232)에서, 교습자를 위한 장비 적합화를 희망하는가 여부에 대해 묻는다. 만약 대답이 "예"라면, 과정(200)은 블록(233)으로 진행하고, 대답이 "아니오"라면, 과정(200)은 블록(234)으로 진행한다.
블록(233)에서, 장비 적합화 서브루틴 과정(Equipment Fitting Subroutine process, 500)이 호출될 수 있고, 완성된다.
블록(234)에서, 과정(200)을 통해서 산출되는 교습자 분석 데이터는 차후 사용을 위해 컴퓨터에 저장된다.
블록(235)에서, 장비가 기술 또는 활동에 수반되는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(200)은 블록(236)으로 진행하고, 그곳에서 과정(200)을 통해 산출된 장비 분석 데이터는 차후 사용을 위해 컴퓨터에 저장되며, 과정(200)은 종료한다.
만약 블록(235)에서의 대답이 "아니오"라면, 과정(200)은 종료한다.
도 5a 내지 5c에 있어서, 동작 채점 서브루틴 프로그램(Performance Scoring Subroutine Program)으로 불리며, 골프 스윙과 같은 교습자의 기술 또는 활동의 동작에 대한 포괄적이고 정성적인 기반의 점수 분석을 산출하는 과정(300)을 설명하는 순서도가 제공된다. 과정(300)은 교습자가 기술 또는 활동을 이행하면서 수집된 동작 데이터와 교습자의 개인적 동작 모델의 대응하는 결과 사이의 통계적인 비교를 수행하는 것을 포함한다. 특히 과정(300)은 자동화되고 통계적인 기반의 채점 방법을 포함하며, 그것에 의해 그러한 비교에 근거한 벌점 점수를 산출하기 위해 교습자가 기술 또는 활동을 이행하는 동작 결과 또는 값과 그 또는 그녀의 개인적 동작 모델을 비교한다. 과정(300)에서 산출된 벌점 점수는 교습자의 동작에 관해서 교습자의 동작에 관한 신뢰할만한 평가를 제공하는 정량적인 측정치이다. 벌점 점수는 교습자의 개인적 동작 모델에 관해 교습자의 동작의 수준을 내부적으로 결정하고, 그 또는 그녀의 기술 또는 활동에 관한 동작이 얼마나 발전하고 있는지 결정하기 위한 징후 또는 평가 도구로 사용될 수 있다. 또한 벌점 점수는 교습자 사이의 기술 또는 활동의 동작을 외부적으로 평가하기 위한 측정 또는 평가 도구로 사용될 수 있다.
아래에서 설명된 동작 채점 서브루틴 과정(300)은 대표적인 예이며, 그에 제한되지 않는다. 과정(300)은 변경될 수 있고, 예를 들어 블록을 추가하거나 제거하거나 재배열할 수 있다.
블록(301)에서, 과정(300)은 시스템 컴퓨터(20)가 기술 또는 활동을 수행하는 교습자의 이상적인 또는 우수한 동작의 개인적 동작 모델을 읽거나 로드하는 것에서 시작되며, 이는 미국 특허 제 4,891,748호 및 제 5,184,295호에서 공개된 시스템 및 방법에 따라 생성되며, 이곳에서 설명되고 부분 경향 서브루틴이라고 불리는 과정(100)에 따라 생성된다.
블록(302)에서, 컴퓨터(20)는 개인적 동작 모델 데이터에 대응하는 통계적 표준편차를 읽거나 로드한다. 그러한 표준편차는 엘리트 행위자의 모든 신체 움직임 결과의 중간값(평균)으로부터의 편차이며, 그것은 개인적 동작 모델을 산출하는데 사용된다. 그러한 표준편차는 교습자의 실제 동작을 판단하기 위한 수단으로서 제공된다. 예를 들어, 골프 스윙시 공이 충돌할 때 교습자의 손 위치가 알려진다면, 그러한 위치는 교습자의 개인적 동작 모델의 알려진 손 위치와 비교된다. 이러한 신체 움직임 결과의 표준편차에 대한 차이를 비교해서 교습자의 실제 손 위치와 모델의 위치 사이에 편차의 정도가 결정된다. 실제와 모델의 손 위치의 차이가 3인치이고, 표준편차가 1인치라면 중요한 문제점이 있음을 암시한다.
블록(303)에서, 개인적 동작 모델의 기술 또는 활동의 수행에 있어서 장비가 수반되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(304)으로 진행된다. 만약 대답이 "아니오"라면, 과정은 블록(316)으로 진행된다.
블록(304)에서, 도구 또는 장비가 교습자의 동작에 수반된다면, 컴퓨터(20)는 교습자의 개인적 동작 모델에서 산출된 장비 결과를 읽거나 로드한다.
블록(305)에서, 컴퓨터(20)는 장비 데이터에 대응하는 통계적 표준편차를 읽거나 로드한다. 그러한 표준편차는 엘리트 행위자의 모든 장비 움직임 결과의 중간값(평균)으로부터의 편차이며, 그것은 개인적 동작 모델을 산출하는데 사용된다. 그러한 표준편차는 교습자의 장비 동작을 결정하는 수단으로서 제공된다. 예를 들어, 교습자가 골프 스윙에 있어서 실제 동작시 교습자의 골프 클럽의 클럽 헤드 속력은 교습자의 개인적 동작 모델보다 15mph 늦고, 이러한 장비 움직임 결과의 표준 편차가 2mph라면 중요한 취약점이 있음을 암시한다.
블록(306)에서, 교습자의 기술 또는 활동의 수행시 충돌이 수반되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(307)으로 진행하고, 동작 데이터의 3개의 추가적인 세트가 컴퓨터(20)로 입력되고, 이는 바닥 접촉 데이터, 결부된 장비 데이터 및 결부되지 않은 장비 데이터를 포함한다. 만약 대답이 "아니오"라면, 과정(300)은 블록(316)으로 진행한다.
블록(307)에서, 바닥 접촉이 교습자의 기술 또는 동작의 수행과 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(300)은 블록(308)으로 진행되고, 만약 대답이 "아니오"라면, 과정(300)은 블록(310)으로 진행된다.
블록(308)에서, 교습자의 동작시 직접적으로 혹은 도구 또는 장비를 통해서 중의 하나로 교습자가 바닥에 닿는다면, 컴퓨터(20)는 교습자의 개인적 동작 모델의 장비 결과를 로드한다.
블록(309)에서, 컴퓨터(20)는 각각의 교습자의 개인적 동작 모델 바닥 접촉 결과(모델 혹은 모델과 부가된 장비)에 대응하는 알려진 통계적 표준편차를 읽거나 로드한다.
블록(310)에서, 기술 또는 활동의 동작에 수반된 도구 또는 장비가 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(311)으로 진행한다. 만약 질문에 대한 대답이 "아니오"라면, 과정(300)은 블록(313)으로 진행한다.
블록(311)에서, 교습자의 개인적 동작 모델에서 산출된 결부된 장비 충돌의 결과는 컴퓨터(20)에서 읽히거나 로드된다.
블록(312)에서, 컴퓨터(20)는 교습자의 모델을 위해 결부된 장비 충돌 결과에 대응하는 통계적 표준편차를 읽거나 로드한다.
블록(313)에서, 결부되지 않은 장비가 수반되는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(314)으로 진행된다. 만약 대답이 "아니오"라면, 과정(300)은 블록(316)으로 진행한다.
블록(314)에서, 컴퓨터(20)는 교습자의 개인적 동작 모델로부터 산출된 결부되지 않은 장비 충격의 결과를 읽거나 로드한다.
블록(315)에서, 컴퓨터(20)는 교습자의 모델을 위해 결부되지 않은 장비 충돌 결과에 대응하는 통계적 표준편차를 읽거나 로드한다.
블록(316)에서, 채점 과정(300)을 시작하기 위해, 컴퓨터(20)와 관련된 프레임 카운터가 초기화되거나 0으로 맞춰진다.
블록(317)에서, 전체 동작 점수 값은 초기화되며, 블록(318)에서, 전체 장비 점수 값은 컴퓨터(20)에서 초기화된다.
블록(319)에서, 컴퓨터(20)는 교습자의 모든 신체 부분 움직임(예를 들어, 발가락에서 손가락까지)을 채점하는 과정(300)을 시작한다. 위에서 설명한 정량적 행위자 평가 서브루틴 과정(200)에서 전에 산출된 교습자 움직임 데이터는 이러한 과정(300)으로 전달된다. 교습자의 개인적 동작 모델에 대응하는 움직임 데이터에 따른 이러한 움직임 데이터 및 이러한 움직임 결과에 따른 동작 모델의 표준편차를 사용하여, 통계적 기반의 점수가 결정될 수 있다.
블록(320)에서, 움직임 결과의 통계적 z점수는, 이하의 방정식을 사용하여 개인적 동작 모델의 움직임 결과와 교습자의 실제 동작의 움직임 결과를 비교하여 컴퓨터에 의해 도출되며, 위 점수는 기술 또는 활동의 동작 전체에 걸쳐서 하나 이상의 신체 부분의 위치와 선형 및 각 움직임 방향을 지시하는 데이터를 나타낸다.
여기서,
SPST = 교습자의 전체 움직임에 있어서 전체 교습자 동작 점수(Total Student Performance Score)
i = 채점되는 움직임 결과
n = 평가되는 움직임 결과의 전체 개수
mrm = 교습자의 모델의 움직임 결과
mrs = 교습자의 움직임 결과
sdm = 모델의 움직임 결과의 표준편차
예를 들어, 위의 방정식을 사용하여, 만약 골프 스윙에서 공 충돌시 교습자의 수평방향 손 속력이 10ft/sec이고, 교습자의 개인적 동작 모델이 시연하는 볼 충돌시 손 속력이 15ft/sec이고, 이러한 속도 결과에 대한 동작 모델의 표준편차가 2ft/sec라면, 이 지점에서 교습자의 손 속도에 대한 전체 교습자 동작 점수는 2.5((15-10)/2)이다.
블록(321)에서, 도출된 개별 벌점 또는 z점수는 전체 교습자 동작 점수(SPST)를 산출하기 위해 다른 신체 부분을 위해 이미 도출된 어떤 z점수(들)에 가산된다.
블록(322)에서, 전체 대상 동작 점수(SPST)에 포함되도록 교습자의 기술 또는 활동시 교습자의 각각의 신체 부분을 위한 이러한 과정을 반복하기 위해, 과정(300)은 블록(319) 및 블록(320)으로 되돌아 간다. 위에서 명시한 바와 같이, 본 발명은 다음과 같은 신체 부분에 한정되지 않고, 교습자의 신체를 묘사하기 위해 다른 것을 포함할 수도 있음에도 불구하고, 발가락, 발뒤꿈치, 발목, 무릎, 엉덩이, 장골, 어깨, 팔, 팔꿈치, 손목, 손, 귀, 코 및 척추 부분을 포함하는 최소한 29개의 개별적 골격의 신체 부분이 교습자의 신체의 정확한 묘사를 제공한다는 것을 출원인은 알게 된다.
블록(323)에서, 모든 신체 부분의 움직임 결과에 대한 채점을 완성한 후에, 도구 또는 장비가 기술 또는 활동에 수반되는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(324)으로 진행된다. 만약 대답이 "아니오"라면, 과정(300)은 블록(345)으로 진행된다.
블록(324)에서, 컴퓨터(20)는 교습자의 모든 장비 부분 움직임을 채점하는 과정(300)을 시작한다. 위에서 설명된 정량적 행위자 평가 과정(200)에서 이미 산출된 장비 움직임 데이터는 이러한 과정(300)으로 전달된다. 교습자의 개인적 동작 모델의 대응하는 장비 움직임 데이터에 따른 이러한 움직임 데이터와 동작 모델의 이러한 장비 움직임 결과의 표준편차를 사용하여, 통계적 기반의 점수가 결정될 수 있다.
블록(325)에서, 움직임 결과의 통계적 z점수는 이하의 방정식을 사용하여 교습자의 개인적 동작 모델에서 사용되는 도구 또는 장비의 움직임 결과와 교습자의 기술 또는 활동의 실제 동작에 의해 산출되는 움직임 결과를 비교하여 컴퓨터에 의해 도출된다.
여기서,
EPST = 교습자의 전체 움직임에 있어서, 전체 장비 동작 점수(Total Equipment Performance Score)
i = 채점되는 장비 움직임 결과
n = 평가되는 장비 움직임의 전체 개수
mrme = 교습자의 모델 장비의 움직임 결과
mrse = 교습자의 장비의 움직임 결과
sdme = 모델의 움직임 결과의 표준편차
예를 들어, 위의 방정식을 사용하여, 만약 골프 스윙에서 초기과정 동안 교 습자의 클럽 헤드 속력이 65ft/sec라면, 교습자의 개인적 동작 모델이 82ft/sec를 시연하고, 동작 모델의 이러한 속도 결과에 대한 표준편차가 5.4ft/sec인 경우 이 지점에서 교습자의 클럽 헤드 속력에 대한 전체 교습자 동작 점수는 3.418((82-65)/5.4)이다.
블록(326)에서, 도출되는 개별적인 z 또는 벌점 점수는 전체 장비 동작 점수(EPST)를 산출하기 위한 도구 또는 장비의 다른 부분에 관해 이미 도출된 어떤 z점수(들)에 가산된다.
블록(327)에서, 전체 장비 동작 점수(EPST)에 포함되기 위한 목적으로 기술 또는 활동의 교습자 동작시 교습자가 사용하는 도구 또는 장비의 각각의 부분에 대해 이러한 과정을 되풀이하기 위해, 과정(300)은 블록(324) 및 블록(325)으로 되돌아간다.
블록(328)에서, 충돌이 교습자의 기술 또는 활동의 동작에 수반되는가에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 추가적인 채점 과정을 위해 블록(329)으로 진행하고, 만약 대답이 "아니오"라면, 과정(300)은 블록(345)으로 진행한다.
블록(329)에서, 바닥 접촉이 교습자의 기술 또는 활동의 동작시 일어나는가에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 추가적인 채점 과정을 위해 블록(330)으로 진행하고, 만약 대답이 "아니오"라면, 과정(300)은 블록(334)으로 진행한다.
블록(330)에서, 컴퓨터(20)는 교습자의 기술 또는 활동의 동작시 모든 바닥 접촉 부분(교습자 또는 장비)을 채점하는 과정(300)을 시작한다. 예를 들어, 골프 스윙시 교습자의 오른쪽 발가락의 바닥과 접촉하는 수직 힘 작용이 채점될 수 있다.
블록(331)에서, 블록(325)의 EPST 방정식을 사용하여, 각각의 바닥 접촉 값의 통계적 z점수가 도출된다.
블록(332)에서, 블록(331)에서 도출된 개별적인 z점수 또는 벌점 점수가 전체 장비 동작 점수(EPST)로 가산된다.
블록(333)에서, 전체 장비 동작 점수(EPST)에서 수반되는 모든 바닥 접촉 값을 포함하기 위해 교습자의 기술 또는 활동의 동작에서 수집되는 각각의 바닥 접촉 값에 관하여 이러한 과정을 반복하기 위해, 과정(300)은 블록(330), 블록(331) 및 블록(332)으로 되돌아간다.
블록(334)에서, 도구 또는 장비가 기술 또는 활동의 동작시 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(300)은 블록(335)으로 진행하고, 만약 대답이 "아니오"라면, 과정(300)은 블록(339)으로 진행한다.
블록(335)에서, 컴퓨터(20)는 교습자에게 결부된 모든 장비를 채점하는 과정을 시작한다. 예를 들어, 채점은 골프 클럽 헤드와 같은 골프 클럽의 부분에 관한 바닥 비접촉 움직임 결과 값에 근거하여 실행될 수 있으며, 3방향에서 선형 및 각위치 값과 속도 값을 포함할 수 있다.
블록(336)에서, 블록(325)의 EPST 방정식을 사용하여 결부된 도구 또는 장비 혹은 결부된 도구 또는 장비의 수반되는 부분 각각의 움직임 결과 값에 대한 통계적 z점수가 도출된다.
블록(337)에서, 블록(336)에서 도출되는 개별적인 z점수 또는 벌점 점수가 전체 장비 동작 점수(EPST)로 가산된다.
블록(338)에서, 전체 장비 동작 점수(EPST)에서 수반되고 결부되어 있는 모든 장비 움직임 결과 값을 포함하기 위해 각각의 결부된 움직임 결과 값에 관하여 이러한 과정을 반복하기 위해 과정(300)은 블록(335), 블록(336) 및 블록(337)으로 되돌아간다.
블록(339)에서, 도구 또는 장비가 기술 또는 활동의 동작시 교습자에게 결부되지 않는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(300)은 블록(340)으로 진행하고, 만약 대답이 "아니오"라면, 과정(300)은 블록(345)으로 진행한다.
블록(340)에서, 컴퓨터(20)는 교습자에게 결부되지 않은 모든 장비를 채점하는 과정(300)을 시작한다. 예를 들어, 채점은 골프공의 바닥 비접촉 움직임 결과 값에 근거해서 실행될 수 있으며, 3방향에서 신형 및 각 위치 값과 속도 값을 포함할 수 있다.
블록(341)에서, 블록(325)의 EPST 방정식을 사용하여 선형 속도 결과 및 힘에 관계되는 각각의 선형 움직임 결과 값의 통계적 z점수가 도출된다.
블록(342)에서, 블록(325)의 EPST 방정식을 사용하여 각방향의 결과 및 힘과 관련되는 각각의 각방향 움직임 결과 값의 통계적 z점수가 도출된다.
블록(343)에서, 블록(341)과 블록(342)에서 도출되는 개별적인 z점수 또는 벌점 점수는 전체 장비 동작 점수(EPST )로 가산된다.
블록(344)에서, 전체 장비 벌칙 동작 점수(EPST )에서 수반되는 모든 결부되지 않는 장비 움직임 결과 값을 포함하기 위해 각각의 결부되지 않는 움직임 값에 관한 이러한 과정을 반복하기 위해, 과정(300)은 블록(340), 블록(341) 및 블록(343)으로 되돌아간다.
블록(345)에서, 교습자의 기술 또는 활동의 동작이 완성되었는지에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(348)으로 진행하며, 만약 질문에 대한 대답이 "아니오"라면, 과정은 블록(346)으로 진행한다.
블록(346)에서, 만약 교습자의 동작이 추가적인 위치를 갖는다면, 필요하다면 교습자의 기술 또는 활동의 동작의 추가적인 위치를 나타내기 위해 위치 프레임 카운터가 증가된다.
블록(347)에서, 추가적인 교습자 및 장비의 동작 움직임 결과를 읽거나 로드하고 채점하기 위한 과정을 반복하기 위해 과정(300)은 블록(319)으로 되돌아간다.
블록(348)에서, 컴퓨터(20)는 차후에 사용하기 위해 교습자 움직임 점수를 저장한다.
블록(349)에서, 장비가 교습자의 기술 또는 활동의 동작에 수반되는가에 대 한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 블록(350)에서 컴퓨터(20)는 차후에 사용하기 위해 장비 움직임 점수를 저장한다.
만약 블록(349)에서 질문에 대한 대답이 "아니오"라면, 과정(300)은 블록(359)으로 진행한다.
블록(351)에서, 충돌이 교습자의 기술 또는 활동의 동작에 수반되는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "아니오"라면, 과정(300)은 블록(359)으로 진행한다. 만약 질문에 대한 대답이 "예"라면, 차후에 사용하기 위해 과정(300)은 바닥 접촉 점수를 저장하기 위해 블록(352) 및 블록(353)으로 진행하고, 결부된 장비의 움직임 결과 점수를 저장하기 위해 블록(354) 및 블록(355)으로 진행하며, 결부되지 않은 장비의 움직임 결과 점수를 저장하기 위해 블록(356), 블록(357) 및 블록(358)으로 진행한다.
블록(359)에서, 교습자의 기술 또는 활동의 동작에서 표준화된 최종 동작 점수는 다음과 같은 방정식을 사용하여 도출된다.
여기서,
ASPST = 교습자의 전체 움직임에 대한 전체 대상 동작 점수 평균(Average Total Subject Performance Score)
SPST = 교습자의 전체 움직임에 대한 전체 대상 벌칙 점수(Total Subject Penalty Score)
n = 평가되는 움직임 결과의 전체 개수
ASPST를 O과 100 사이 범위로 변환하기 위해서는, 표준 정규 Z 표(Standard Normal Z Table)가 O과 ASPST(A0-Z) 사이의 값에 대한 표준 정규 곡선 아래의 넓이를 결정하는데 사용된다. 따라서 표준화된 결과는 다음과 같은 방정식을 사용하여 결정된다.
여기서,
SSPST = 교습자의 전체 움직임에 대한 표준화된 전체 대상 동작 점수(Standardized Total Subject Performance Score)
A0-Z = O과 ASPST 사이의 값에 대한 표준 정규 곡선 아래의 넓이
블록(360)에서, 장비가 수반되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(300)은 블록(361)으로 진행하며, 만약 대답이 "아니오"라면, 과정(300)을 다시 시작하기 위해 과정(300)은 블록(301)으로 되돌아갈 수 있다.
블록(361)에서, 교습자의 기술 또는 활동의 동작에 대한 표준화된 최종 동작 점수는 다음과 같은 방정식을 사용하여 도출된다.
여기서,
AEPST = 교습자의 전체 움직임에 관한 전체 장비 동작 점수 평균(Average Total Equipment Performance Score)
EPST = 대상의 전체 움직임에 관한 전체 장비 벌칙 점수(Total Equipment Penalty Score)
n = 평가되는 움직임 결과의 전체 개수
AEPST를 O과 100 사이의 영역으로 변화시키기 위해서, 표준 정규 Z표가 O과 AEPST(A0-Z)사이의 표준 정규 곡선 아래의 넓이를 결정하는데 사용된다. 따라서 표준화된 결과는 다음과 같은 방정식을 사용하여 결정된다.
여기서,
SEPST = 대상의 전체 움직임에 관한 표준화된 전체 장비 동작 점수
A0-Z = O과 ESPST 사이의 값에 대한 표준 정규 곡선 아래의 넒이
과정(300)은 시작하기 위해 블록(301)으로 복귀하거나 과정(300)이 종료될 수 있다.
도 6a 내지 6c에 있어서, 동작 오류 서브루틴(Performance Errors Subroutine)으로 불리고, 골프 스윙과 같이 교습자의 기술 또는 활동의 동작에 있어서 움직임 오류를 결정하는 과정(400)을 설명하는 순서도가 제공된다. 과정(400)은 위에서 설명한 동작 채점 서브루틴 과정(300)에서 산출된 교습자의 기술 또는 활동의 동작에 관한 벌칙 점수와 선택된 허용범위 또는 오류 임계 수준을 비교하는 것을 포함한다. 만약 교습자의 동작 벌칙 점수가 특정한 움직임 패턴 또는 결과를 위해 선택된 허용범위 내에 들거나 오류 임계 수준을 충족시키거나 이를 넘는다면, 벌칙 점수에 대응하는 움직임 패턴 또는 결과가 표시된다. 더 구체적으로는, 과정(400)은 자동화되고 통계적 기반의 오류 확인 시스템 및 방법을 포함하며, 이러한 시스템 및 방법은 교습자가 행하는 진정한 움직임 오류를 확인하기 위해 교습자의 동작 결과 또는 값에 대응하는 벌칙 점수와 특정한 움직임 패턴 또는 결과나 움직임 패턴 또는 결과의 조합을 위해 선택된 만족할만한 허용범위 또는 임계 수준을 비교한다. 그에 의해 과정(400)은 교습자의 실제 동작에 기초한 포괄적이고 정성적인 기반의 움직임 오류를 확인하며, 이는 본래 오류가 있는가 여부만을 나타내는 신뢰성이 떨어지고, 의견에 기초한 동작의 평가와 대조를 이룬다.
또한 과정(400)은 교습자가 기술 또는 활동의 동작에 있어서 교습자가 사용하는 도구 또는 장비의 동작 벌칙 점수를 비교하는 것을 포함한다. 위에서 설명된 동작 채점 서브루틴 과정(300)에 의해 산출되는 각각의 장비 벌칙 점수는 특정한 장비 움직임 패턴 또는 결과를 위해 선택된 허용범위 또는 오류 임계 수준과 비교된다. 만약 장비 벌칙 점수가 허용범위 내에 들거나 오류 임계 수준을 충족시키거나 넘는다면, 벌칙 점수에 대응하는 장비 움직임 패턴 또는 결과가 표시된다. 비슷하게 과정(400)은 교습자의 기술 또는 활동의 동작시 사용하는 도구 또는 장비 부분으로 인한 움직임 오류에 대해 포괄적이고 정성적인 기반의 확인을 제공한다.
교습자 동작 벌칙 점수를 사용하여, 과정(400)은 큰 벌칙 점수를 없앰으로 해서 가장 큰 향상을 요구하는 교습자 동작의 해당 움직임을 확인하는데 도움을 줄 수 있다. 또한 과정(400)은 가장 큰 향상을 요구하는 움직임 패턴 또는 결과의 개별적인 부분을 확인하는데 도움이 되는 개별적인 신체 부분 움직임 패턴 또는 결과를 위한 교습자 동작 벌칙 점수를 결합할 수 있다. 또한 개별적인 교습자 동작 벌칙 점수는 움직임 패턴 또는 결과 오류에 기초하는 또는 원인이 되는 움직임 오류를 확인하는데 도움을 줄 수 있다.
또한 과정(400)은 장비 동작 오류와 관계되는 큰 벌칙 점수를 없앰으로 해서 비슷하게 가장 큰 향상을 요구하는 장비 움직임 패턴 또는 결과를 확인하는데 도움을 줄 수 있다. 실질적으로는, 큰 벌칙 점수는 장비가 대상의 동작에 대해 부정적인 영향 또는 아무런 영향을 미치지 못하는 그러한 움직임 패턴 또는 결과를 확인할 뿐만 아니라 가장 큰 향상을 요구하는 그러한 움직임 패턴 또는 결과를 확인하 는데 도움을 줄 수 있다. 또한 과정(400)은 가장 큰 향상을 요구하는 또는 장비의 타입 혹은 종류가 의문이 있는 움직임 패턴 또는 결과에 대해 긍정적, 부정적 또는 아무런 영향을 미치지 못하는지 여부를 요구하는 장비 움직임 패턴 또는 결과의 개별적인 부분을 표시하기 위해 장비 벌칙 점수를 결합할 수 있다. 과정(400)은 대상이 기술 또는 활동을 수행하기 위해 사용하는 장비의 타입 또는 종류에 의해 야기되는 다른 움직임 패턴 또는 결과 오류에 대한 근본적인 원인인 장비 움직임 오류를 확인하는데 도움을 주는 장비 벌칙 점수를 사용할 수 있다.
위에서 언급한 것과 같이, 과정(400)은 교습자 동작 벌칙 점수 및 장비 동작 벌칙 점수와 선택된 허용범위 및 오류 임계 수준을 비교한다. 각각의 동작 오류에 있어서, 허용범위 또는 오류 임계 수준은 특정한 동작 오류를 위해 표준화될 수 있다. 예를 들어, 교습자의(장비의) 동작이 그 또는 그녀의 모델의 동작으로부터 상당히 벗어날 때 다른 교습자(장비) 동작 오류는 넓은 허용범위 또는 높은 오류 임계 수준을 가질 수 있는 것에 반해, 교습자의(장비의) 동작이 그 또는 그녀의 개인적 동작 모델의 동작으로부터 오직 조금만 벗어나는 경우 어떠한 동작 오류는 좁은 허용범위 또는 낮은 오류 임계 수준을 가질 수 있다. 또한 허용범위 또는 오류 임계 수준은 각각의 교습자 또는 장비 동작 오류에 대해 서로 다른 수준의 가혹도(severity)를 부여하는데 사용될 수 있다.
예를 들어, 골프 스윙에 있어서, 만약 대상의(행위자의) 오른쪽 팔꿈치 운동이 골프 클럽의 다운스윙시 높은 성능 벌점 점수를 산출한다면, 과정(400)은 향상을 위한 동작 오류로서 오른쪽 팔꿈치 운동을 자동으로 표시할 수도 있다. 만약 대 상의 팔목, 팔꿈치 및 어깨를 포함하는 대상의 오른쪽 팔 전체가 높은 벌점 점수를 산출한다면, 과정(400)은 향상을 위해 다운스윙 운동시 대상의 오른쪽 팔 전체를 자동으로 표시할 수도 있다. 또한 만약 교습자 동작 벌점 점수가 다운스윙시 교습자의 오른쪽 팔꿈치의 부적절한 움직임을 확인하기 위한 유효범위 내에 들거나 오류 임계 수준을 넘고, 오른쪽 팔꿈치 벌점 점수가 교습자의 다운스윙에 있어서 다른 교습자 동작 오류와 중요한 관련이 있다면, 과정(400)은 향상을 위해 교습자의 스윙에 있어서 다운스윙 부분을 자동으로 표시할 수 있다.
다른 예에서, 골프 스윙시 골프 클럽의 동작에 있어서, 만약 대상의 다운스윙시 클럽 헤드의 운동이 높은 장비 벌점 점수를 산출한다면, 과정(400)은 향상을 위해 클럽 헤드의 운동을 자동으로 표시할 수 있다. 만약 클럽 헤드와 샤프트를 포함하는 전체 클럽이 높은 벌칙 점수를 기록한다면, 과정(400)은 향상을 위해 전체 클럽을 자동으로 없앨 수 있다. 또한 만약 백스윙시 클럽 헤드의 부적절한 움직임 패턴 또는 결과가 장비 동작 오류로 확인되고, 그러한 오류가 다운스윙에 있어서 다른 장비 동작 오류와 중요한 관련이 있다면, 과정(400)은 향상을 위해 스윙의 그 부분을 자동으로 없앨 수 있다.
도 6a 내지 6c와 관련해서 위에서 및 아래에서 설명된 동작 오류 서브루틴 과정(Performance Errors Subroutine process, 400)은 바람직한 예이며, 그에 제한되지 않는다. 과정(400)은 예를 들어 블록을 추가하거나 제거하거나 재배치하는 것에 의해 변경될 수 있다.
블록(401)에서, 컴퓨터(20)에 오류 임계 수준(또는 허용범위)을 선택 또는 설정하는 것으로 과정(400)은 시작한다. 하나의 실시예에 있어서, 1.0의 값으로 오류 임계 수준이 설정된 경우, 만약 교습자의 동작 벌칙 점수가 엘리트 행위자(예를 들어, 미리 결정된 수의 PGA 골프 프로)의 동작 결과의 68% 바깥에 해당된다면, 과정(400)은 동작 오류를 확인하며, 위 동작 결과는 미국 특허 제 4,891,748호 및 제 5,184,295호에서 설명되고, 부분 경향 서브루틴 과정(100)에 관해 이곳에서 설명된 프로그램A 내지 프로그램E 및 프로그램 정규화1 내지 정규화3에 따른 개인적 동작 모델을 산출하는데 사용된 것이다. 2.0의 값으로 오류 임계 수준이 설정된 경우, 교습자의 동작 벌칙 점수가 엘리트 행위자의 동작 결과의 95% 바깥에 해당된다면, 과정(400)은 동작 오류를 확인한다. 3.0의 값으로 오류 임계 수준이 설정된 경우, 교습자의 동작 벌칙 점수가 엘리트 행위자의 동작 결과의 99% 바깥에 해당된다면, 과정(400)은 동작 오류를 확인한다.
블록(402)에서, 컴퓨터(20)는 분석되는 움직임에 따라서 변하는 잠재적인 교습자 동작 오류의 리스트를 읽거나 로드한다. 예를 들어, 골프에서, 잠재적인 동작 오류의 리스트는 "당신의 오른쪽 발가락이 셋업(Setup)시 공에 너무 가깝다."로부터 "당신의 코는 스윙의 마무리에서 표적으로부터 너무 멀다"까지의 범위에 해당하는 오류를 나타내는 그러한 진술 또는 설명을 포함하나 그에 제한되지 않는다.
블록(403)에서, 도구 또는 장비가 교습자의 기술 또는 활동의 동작에 결부되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(404)으로 진행한다. 만약 대답이 "아니오"라면, 과정(400)은 블록(412)으로 진행한다.
블록(404)에서, 컴퓨터(20)는 분석되는 움직임에 따라 변하는 잠재적인 장비(비충돌) 동작 오류의 리스트를 읽거나 로드한다. 예를 들면, 골프에서, 이러한 리스트는 "당신의 클럽은 테이크어웨이(Takeaway) 동안에 너무 안쪽에 있다."로부터 "당신의 공은 셋업시 서있는 자세에서 너무 뒤쪽에 있다."까지의 범위에 해당하는 오류를 나타내는 진술 또는 설명을 포함할 수 있다.
블록(405)에서, 충돌이 교습자의 기술 또는 활동의 동작에 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(406)으로 진행하고, 대답이 "아니오"라면, 과정(400)은 블록(412)으로 진행한다.
블록(406)에서, 교습자의 기술 또는 활동의 동작시 교습자와 바닥 사이에 바닥 접촉이 일어나는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(407)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(408)으로 진행한다.
블록(407)에서, 컴퓨터(20)는 분석되는 움직임에 따라 변하는 잠재적인 바닥 충돌 동작 오류의 리스트를 읽거나 로드한다. 예를 들어, 골프에 있어서, 잠재적인 동작 오류의 리스트는 "당신의 무게 이동은 다운스윙(Downswing) 동안에 왼쪽에서 너무 느리다"로부터 "당신의 무게 분배는 셋업시 왼쪽에 너무 많다"까지의 범위에 해당하는 그러한 오류를 나타내는 그러한 진술 또는 설명을 포함할 수 있다.
블록(408)에서, 교습자의 동작시 장비가 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(409)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(410)으로 진행한다.
블록(409)에서, 컴퓨터(20)는 분석되는 움직임에 따라 변하는 잠재적인 결부된 장비(충돌) 동작 오류의 리스트를 읽거나 로드한다. 예를 들어, 골프에 있어서, 이러한 리스트는 "당신의 클럽 헤드는 임펙트(Impact)시 너무 열려있다."로부터 "당신의 클럽 헤드 속도는 임펙트시 너무 느리다"까지의 범위에 해당하는 오류를 나타내는 진술 또는 설명을 포함할 수 있다.
블록(410)에서, 교습자의 동작시 장비가 교습자에게 결부되지 않는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(411)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(412)으로 진행한다.
블록(411)에서, 컴퓨터(20)는 분석되는 움직임에 따라서 변하는 잠재적인 결부되지 않는 장비(충돌) 동작 오류의 리스트를 읽거나 로드한다. 예를 들어, 골프에 있어서, 잠재적인 동작 오류의 리스트는 "당신의 공 속도는 너무 느리다."로부터 "당신의 공 백스핀(backspin)은 너무 높다"까지의 범위에 해당하는 오류를 나타내는 진술 또는 설명을 포함할 수 있다.
블록(412)에서, 컴퓨터(20)는 컴퓨터(20)와 관련되는 프레임 카운터를 초기화 또는 0으로 맞춘다.
블록(413)에서, 교습자의 모든 부분 동작 오류(발가락으로부터 손가락까지)를 결정하는 과정이 시작된다. 동작 채점 과정(300)에서 이미 산출된 교습자 동작 점수 데이터는 이 과정(400)으로 전달된다. 과정(400)은 교습자의 통계적 기반의 동작 오류를 결정하기 위해 교습자 동작 점수 데이터를 사용한다.
블록(414)에서, 동작 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 혹은 3.0)을 초과하는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(415)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(416)으로 진행한다. 따라서, 골프에 있어서, 만약 골프의 백스윙(Backswing)의 마무리에서 오른쪽 손 위치 점수가 1.5이고, 선택된 오류 임계 수준이 1.0이라면, 동작 오류가 발생하고 확인된다.
블록(415)에서, 벌칙 점수가 대응하는 신체 부분 또는 신체 부분의 조합은 오류로 설정된다. 예를 들어, 골프에 있어서, 임계 수준을 양의 방향으로 초과하는 오른쪽 손 위치 점수에 대응하는 오류는 "당신의 오른쪽 손은 백스윙의 마무리에서 너무 안쪽에 있다."를 포함하나 이에 제한되지 않는 동작 오류 리스트로부터 검색되는 하나 이상의 진술 또는 설명으로 확인될 수 있다. 이러한 오류 진술은 오류를 확인하기 위해 교습 모니터(25)상에 나타내어질 수 있다.
블록(416)에서, 신체 부분 또는 신체 부분의 조합을 설정하기 위해 수반되는 모든 신체 부분을 통해 블록(413), 블록(414) 및 블록(415)의 과정을 되풀이하기 위해, 과정(400)은 블록(413)으로 되돌아 갈 수 있으며, 이러한 신체 부분은 선택된 오류 임계 수준을 초과하는 대응하는 벌칙 점수를 갖는다.
과정은 블록(415)의 과정을 완성하면 블록(417)으로 진행하고, 장비가 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(418)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(428)으로 진행한다.
블록(418)에서, 컴퓨터(20)는 교습자의 모든 장비(비충돌) 동작 오류를 확인하는 과정(400)을 시작한다. 동작 채점 과정(300)에서 미리 산출되는 교습자 동작 점수 데이터는 이러한 과정(400)으로 전달되고, 교습자의 통계적 기반의 동작 오류가 확인된다.
블록(419)에서, 장비 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 또는 3.0)을 초과하는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(420)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(421)으로 진행한다. 예를 들어, 골프에 있어서, 만약 골프 스윙의 꼭대기에서 측면 클럽 헤드 위치 점수가 -2.5이고, 선택된 오류 임계 수준이 2.0이라면, 동작 오류가 발생하고 확인된다.
블록(420)에서, 장비 벌칙 점수가 대응하는 장비 부분 또는 장비 부분의 조합은 오류로 설정된다. 예를 들어, 골프에 있어서, 음의 방향으로 선택된 임계 수준을 초과하는 측면 클럽 위치 점수에 대응하는 오류는 "당신의 클럽 헤드는 스윙의 꼭대기에서 너무 멀리 선을 가로지른다"는 것을 포함하나 이에 제한되지 않는 오류리스트로부터 검색되는 하나 이상의 진술 또는 설명으로 확인될 수 있다. 이러한 오류 진술은 교습 과정 동안에 교습 모니터(25)상에 나타내어질 수 있다.
블록(421)에서, 장비 부분 또는 장비 부분의 조합을 설정하기 위한 목적으로 수반된 모든 장비 부분을 통해 블록(418), 블록(419) 및 블록(420)의 과정을 되풀이하기 위해, 과정(400)이 블록(418)으로 되돌아갈 수 있으며, 이러한 장비 부분은 선택된 오류 임계 수준을 초과하는 대응하는 벌칙 점수를 갖는다.
블록(422)에서, 충돌이 교습자의 동작에 있어서 사용되는 도구 또는 장비와 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블 록(423)으로 진행한다. 블록(423)에서, 바닥 접촉이 도구 또는 장비에 수반되는가에 대한 제 2의 질문이 제시된다. 만약 블록(423)의 질문에 대한 대답이 "예"라면, 과정(400)은 블록(424)으로 진행하고, 대답이 "아니오"라면, 과정(400)은 블록(428)으로 진행한다.
블록(422)의 질문에 대한 대답이 "아니오"라면, 과정(400)은 블록(440)으로 진행한다.
블록(424)에서, 컴퓨터(20)는 교습자의 모든 바닥 접촉 동작 오류를 결정하는 과정(400)을 시작한다. 동작 채점 과정(300)에서 이미 산출된 교습자 동작 점수 데이터는 교습자의 통계적 기반의 동작 오류를 결정하기 위해 이러한 과정(400)으로 전달된다.
블록(425)에서, 장비 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 혹은 3.0)을 초과하는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(426)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(427)으로 진행한다. 예를 들어, 골프에 있어서, 만약 스윙의 꼭대기에서 수직의 왼쪽 발가락 힘 점수가 1.25이고, 선택된 오류 임계 수준이 1.0이라면, 동작 오류가 발생하고 확인된다.
블록(426)에서, 교습자 부분 또는 장비 부분 또는 교습자 부분 혹은 장비 부분의 조합은 오류로 설정된다. 예를 들어, 골프에 있어서, 양의 방향으로 선택된 임계 수준을 초과하는 수직의 왼쪽 발가락 힘 점수는 "당신의 무게는 스윙의 꼭대기에서 왼쪽으로 너무 많이 이동된다."는 것을 포함하나 이에 제한되지 않는 오류 리스트로부터 검색되는 하나 이상의 진술 또는 설명으로 확인될 수 있다. 이러한 오류 진술은 교습 과정 동안에 교습 모니터(25)상에 나타내어질 수 있다.
블록(427)에서, 바닥 접촉과 결부되는 모든 교습자 또는 장비 부분을 통해서 블록(424), 블록(425) 및 블록(426)의 과정을 되풀이할 목적으로 과정(400)은 블록(424)으로 되돌아갈 수 있다.
블록(428)에서, 도구 또는 장비가 교습자의 기술 또는 활동 동작시 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(429)으로 진행하고, 만약 대답이 "아니오"라면, 과정은 블록(433)으로 진행한다.
블록(429)에서, 교습자의 모든 결부된 장비(충돌) 동작 오류를 결정하는 과정이 시작된다. 동작 채점 과정(300)에서 산출되고 이러한 서브루틴으로 전달되는 교습자 동작 점수 데이터를 사용하여, 교습자의 통계적 기반의 동작 오류가 결정된다.
블록(430)에서, 장비 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 혹은 3.0)을 초과하는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(431)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(432)으로 진행한다. 따라서, 만약 골프 스윙의 충돌 위치에서 수평의 클럽 헤드 속도 점수가 4.7이고, 선택된 오류 임계 수준이 2.0이라면, 동작 오류가 발생한다.
블록(431)에서, 장비 벌칙 점수가 대응하는 교습자에게 결부된 장비 부분 또 는 장비 부분의 조합이 설정된다. 위의 골프에 대한 예에 있어서, 양의 방향으로 임계 수준을 초과하는 수평의 클럽 헤드 속도 점수에 대응하는 오류는 "당신의 클럽 헤드는 임펙트시 너무 느리다"라는 것을 포함하나 이에 제한되지 않는 오류 리스트로부터 검색되는 하나 이상의 진술 또는 설명으로 확인될 수 있다. 이러한 오류 진술은 교습 과정 동안에 교습 모니터(25)상에 나타내어질 수 있다.
블록(432)에서, 장비 부분 또는 장비 부분의 조합을 설정하기 위한 목적으로 교습자에게 결부된 모든 수반되는 장비 부분을 통하여 블록(429), 블록(430) 및 블록(431)의 과정을 되풀이하기 위해 과정(400)은 블록(420)으로 되돌아갈 수 있으며, 그러한 장비 부분은 선택된 오류 임계 수준을 초과하는 대응하는 벌칙 점수를 갖고 교습자에게 결부된다.
블록(433)에서, 도구 또는 장비가 교습자의 기술 또는 활동의 동작시 교습자에게 결부되지 않는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(434)으로 진행하고, 만약 대답이 "아니오"라면, 과정은 블록(440)으로 진행한다.
블록(434)에서, 컴퓨터(20)는 교습자의 모든 비결부 장비(충돌) 동작 오류를 결정하는 과정(400)을 시작한다. 동작 채점 과정(300)에서 미리 산출된 교습자 동작 점수 데이터는 교습자의 통계적 기반의 동작 오류를 결정하기 위해 이러한 과정(400)으로 전달된다.
블록(435)에서, 비결부 장비 부분 또는 장비 부분의 조합의 선형 움직임 결과에 대응하는 장비 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 혹은 3.0)을 초과하는지에 대한 질문에 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(436)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(437)으로 진행한다. 따라서, 만약 골프 스윙의 충돌 후 위치에서 공 전체 속도 점수가 -2.2이고, 선택된 오류 임계 점수가 2.0이라면, 동작 오류가 발생하고 확인된다.
블록(436)에서, 선형 움직임 결과 벌칙 점수가 대응하는 교습자에게 결부되지 않은 장비 부분 또는 장비 부분의 조합은 오류로 설정된다. 위의 골프에 관한 예와 같이, 음의 방향으로 임계 수준을 초과하는 공 속도 점수에 대응하는 오류는 "당신의 공 속도는 임펙트 후 너무 늦다."라는 것을 포함하나 그에 제한되지 않은 오류 리스트로부터 검색된 하나 이상의 진술 또는 설명으로 확인될 수 있다. 이러한 진술은 교습 과정 동안에 교습 모니터(25)상에 나타내어질 수 있다.
블록(437)에서, 결부되지 않은 장비 부분 또는 장비 부분의 조합의 각방향 움직임 결과에 대응하는 장비 벌칙 점수가 선택된 오류 임계 수준(예를 들어, 1.0, 2.0 혹은 3.0)을 초과하는지에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(400)은 블록(438)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(439)으로 진행한다.
블록(439)에서, 장비 부분 또는 장비 부분의 조합을 설정하기 위한 목적으로 교습자에게 결부되지 않는 모든 수반되는 장비 부분을 통하여 블록(435), 블록(436), 블록(437) 및 블록(438)의 과정을 되풀이하기 위해 과정(400)은 블록(434)으로 되돌아갈 수 있으며, 그러한 장비 부분은 교습자에게 결부되지 않고, 선택된 오류 임계 수준을 초과하는 대응하는 벌칙 점수를 갖는다.
블록(440)에서, 교습자 동작이 완성되었는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(443)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(441)으로 진행한다.
블록(441)에서, 만약 블록(440)의 질문에 대한 대답이 "아니오"이고, 교습자 또는 장비 동작의 추가적인 중요 위치 및 어떤 대응하는 동작 벌칙 점수가 고려된 바가 없다는 것을 의미한다면, 과정(400)은 프레임 카운터를 증가시킨다.
블록(442)에서, 필요하거나 바람직하다면 블록(413) 및 블록(440)의 과정을 되풀이하기 위해, 과정(400)은 블록(413)으로 진행한다.
블록(443)에서, 차후의 사용을 위해 신체 부분 오류 세트가 저장된다.
블록(444)에서, 장비가 수반되는지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(445)으로 진행하고, 대답이 "아니오"라면, 과정(400)은 종료하거나 블록(401)에서 시작하기 위해 복귀한다.
블록(445)에서, 장비 부분 에러 세트는 차후의 사용을 위해 저장된다.
블록(446)에서, 충돌이 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(447)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 종료하거나 블록(401)에서 시작하기 위해 복귀한다.
블록(447)에서, 교습자의 기술 또는 활동의 동작시에 장비가 바닥에 접촉하는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)이 블록(448)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)이 블록(449)으로 진행한다.
블록(448)에서, 바닥 접촉 장비 오류 세트는 차후의 사용을 위해 저장된다.
블록(449)에서, 교습자의 동작시 장비가 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(450)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 블록(451)으로 진행한다.
블록(450)에서, 교습자에게 결부된 장비의 오류 세트는 차후의 사용을 위해 저장된다.
블록(451)에서, 교습자의 동작시 장비가 교습자에게 결부되지 않은지에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(400)은 블록(452)으로 진행하고, 만약 대답이 "아니오"라면, 과정(400)은 종료하거나 블록(401)에서 시작하기 위해 복귀한다.
블록(452)에서, 교습자에게 결부되지 않은 장비의 선형 오류 세트는 차후의 사용을 위해 저장된다.
블록(453)에서, 교습자에게 결부되지 않은 장비의 각방향 오류 세트는 차후의 사용을 위해 저장되고, 과정(400)은 그 후에 종료하거나 블록(401)에서 시작하기 위해 복귀한다.
도 7에 관하여, 장비를 특정한 기술 또는 활동을 하는 특정한 교습자에게 맞추기 위해 장비 적합화 서브루틴(Equipment Fitting Subroutine)으로 불리는 과정(500)을 설명하는 순서도가 제시된다. 교습자의 동작을 향상시키는데 도움을 주기 위해, 기술 또는 활동에 있어서 수반되는 장비의 각 부분에 대한 적합화 변수를 결정하기 위한 목적으로 구체적으로 고안된 장비 적합화 알고리즘에 있어서, 과정(500)은 위에서 설명된 동작 채점 서브루틴 과정(300)에 의해 산출되는 벌칙 점수를 사용하는 것을 포함한다. 벌칙 점수를 사용하여, 과정(500)은 장비 적합화에 있어서 정량적 기반의 방법이며, 이러한 방법은 미국 특허 제 4,891,748호 및 제 5,184,295호에서 설명된 프로그램A 내지 프로그램E 및 정규화1 내지 정규화3과 이곳에서 설명된 신체 부분 경향 서브루틴 과정(100)에 따라 산출된, 교습자의 기술 또는 활동의 현재 동작 또는 교습자의 개별화된 우수한 동작 모델의 동작 중의 하나에 기반을 둘 수도 있다. 이와 달리, 적합화 과정(500)은 교습자의 현재 동작과 교습자의 개인적 동작 모델의 동작의 두 극단 사이의 어느 지점에서의 교습자의 가상의 동작에 기반을 둘 수도 있다.
과정(500)에서는 적합화의 기초를 결정하고 각 교습자의 동작에 대한 바람직한 수준에 대응하는 가변 수준 적합화(Fitting Variable Level)가 사용된다. 동작의 양 극단 중의 하나를 나타내거나, 동작의 양 극단 사이의 어느 지점에서의 교습자의 가상의 동작을 나타내는 가변 수준 적합화는 과정(500)이 산출한 장비 적합화의 유형을 통제한다. 예를 들어, 만약 교습자의 현존하는 장비로부터 즉각적인 향상이 바람직하다면, 0.0의 값을 갖는 가변 수준 적합화가 선택된다. 이러한 경우에서, 적합화 과정(500)은 동작 채점 서브루틴 과정(300)에 의해 확인된 동작 오류를 감소시키는데 도움을 준다. 만약 1.0의 값을 갖는 가변 수준 적합화가 선택된다면, 적합화 과정(500)은 교습자의 이상적인 또는 우수한 동작에 관한 개인적 동작 모델을 사용하여 교습자의 동작을 향상시키는데 도움을 주는 장비 적합화를 산출한다. 0.0에서 1.0 사이의 값을 갖는 가변 수준 적합화는 이러한 2개의 적합화 극단 사이의 선형 이동을 산출한다.
만약 교습자의 동작이 향상됨에 따라 교습자의 장비가 더 잘 동작하는 것이 바람직하다면, 0.0보다 큰 값을 갖는 가변 수준 적합화가 선택된다. 가변 수준 적합화의 값이 1.0에 가까워질수록, 교습자는 장비로부터 많은 것을 얻기 위해 개인적 동작 모델과 같이 기술 또는 활동을 더 많이 수행해야만 한다. 과정(500)의 결과는 현재의 분석 및 교습 환경에서 사용되는 의견에 기초한 적합화보다 더욱 정확한 적합화를 제공하는 포괄적이고 정량적 기반의 장비 적합화이다.
도 7에 관해서 아래에서 설명된 과정(500)은 바람직한 예이며, 그것에 제한되지 않는다. 과정(500)은 변경될 수 있다.(예를 들어, 블록을 추가하거나 제거하거나 혹은 재배치하여)
과정(500)은 블록(501)에서 가변 수준 적합화의 값을 선택하고 설정하여 시작한다.
블록(502)에서, 비충돌(non impact) 장비가 교습자의 기술 또는 활동의 수행에 수반되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(500)은 블록(503)으로 진행하고, 대답이 "아니오"라면, 과정은 블록(505)으로 진행한다.
블록(503)에서, 교습자의 동작시 장비가 충돌과 결부되지 않는다면, 컴퓨터(20)는 예를 들어 다음과 같은 방정식을 포함하는 비충돌 장비 적합화 알고리즘을 읽거나 로드한다.
여기서,
EFVNT = 적합화 경향이 적용된 후의 장비 적합화 값(비접촉, Equipment Fitting Value non contact)
EFVNC = 움직임 경향이 적용되기 전의 현재 교습자 적합화 값(Current Student Fitting Value)
FVL = 가변 수준 적합화
i = 처리되는 적합화 구성성분
n = 적합화 구성성분의 개수
efci = 장비 적합화 상수
EFMNC = 교습자의 모델 동작 데이터로부터 도출된 현재 교습자 적합화 결과(Current Student Fitting Result)
EFSNC = 실제 교습자 동작 데이터로부터 도출된 현재 교습자 적합화 결과
예를 들어, 위의 방정식을 사용하여, 만약 장비 적합화가 골퍼가 쓰는 클럽의 골프 클럽 스윙 무게(이는 장비 적합화의 용어이다.)를 수반한다면, 새로운 스 윙 무게(EFVNT)는 교습자의 동작 모델(EFVNC)의 현재 스윙 무게에 스윙 무게에 영향을 미치는 모든 비접촉 적합화 구성성분(예를 들어, 클럽 헤드 무게, 클럽 길이, 샤프트 굴곡성 및 스윙 무게와 같은)에 의해 부과되는 스윙 무게 변경사항을 가산하여 결정된다. 이러한 값은 적합화 구성성분과 관련된 적합화 상수(efci) 및 교습자의 모델 동작 값(EFMNC)과 교습자의 실제 값(EFSNC) 사이의 차이의 결과물이다. 값은 교습자의 모델 값(FVL)으로부터 멀어지는 적합화의 양에 의해 추가로 조정된다.
적합화 결과는 구성성분 또는 선형의 혹은 각방향 변위, 속도, 가속도의 조합, 또는 시간으로부터의 동작의 어떠한 구성성분도 될 수 있다. 또한 경향은 교습자의 신체 부분의 어떠한 것 또는 그것의 조합을 망라할 수 있다.
블록(504)에서, 동작 채점 서브루틴 과정(300)에서 산출된 교습자의 동작에 대한 수반된 벌칙 점수는 각각의 장비 적합화 알고리즘에서 사용된다. 알고리즘은 장비 적합화를 위해 수반된 장비의 우수한 디자인 요구 및 변수를 결정하기 위해 구체적으로 고안된다. 예를 들어, 교습자의 골프 클럽의 샤프트 굴곡성(flex)에 대한 장비 적합화 값에 대한 비충돌 상황하에서의 기여를 결정하는 것은 교습자의 동작 모델의 샤프트 굴곡성에서부터 시작한다. 그 후에 이러한 값은 샤프트 굴곡성에 영향을 미치는 적합화와 관련된 모든 구성성분(예를 들어, 스윙, 백스윙, 전환 및 다운스윙 시간, 스윙과정에서의 클럽 속도 및 가속도, 무게 이동의 정도, 클럽 각방향 위치, 속도 및 다운스윙시 가속도)에 의해 변경되고, 교습자의 동작과 그 또는 그녀의 개인적 동작 모델 사이의 이러한 구성성분의 동작 차이에 의해 곱해진 다. 따라서, 만약 리스트에 오른 어떠한 구성성분에 있어서 교습자의 동작 모델에 비하여 교습자가 그에 미치지 못하게 동작을 한다면, 바람직한 샤프트 굴곡성은 감소한다. 예를 들어, 다운스윙 동안에 부적절한 클럽 샤프트 각도는 보상하기 위해 5cpm의 샤프트 굴곡성 감소를 필요로 할 수 있다. 최종적으로, 실제 전체 적합화 조정은 적합화 변수에 의해 결정된다. 만약 이러한 변수가 1.0으로 설정된다면, 샤프트 굴곡성 적합화는 교습자의 현재 스윙에 맞추어진다. 만약 그것이 0.0으로 설정된다면, 교습자의 제한은 사용되지 않고, 적합화 결과는 교습자의 동작 모델의 그것이 된다.
블록(505)에서, 충돌이 교습자의 동작에서 교습자가 사용한 장비에 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(506)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(516)으로 진행한다.
블록(506)에서, 바닥 충돌이 교습자 신체 부분 또는 장비 부분에 수반되는가에 대한 질문이 제시된다. 만약 질문에 대한 대답이 "예"라면, 과정(500)은 블록(507)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(509)으로 진행한다.
블록(507)에서, 컴퓨터(20)는 예를 들어 다음과 같은 방정식을 포함하는 바닥 접촉 장비 적합화 알고리즘을 읽거나 로드한다.
여기서,
EFVGT = 적합화 경향이 적용된 후의 장비 적합화 값(바닥 접촉)
EFVGC = 움직임 경향이 적용되기 전의 현재 교습자 적합화 값
FVL = 가변 수준 적합화
i = 처리되는 적합화 구성성분
n = 적합화 구성성분의 개수
efci = 장비 적합화 상수
EFMGC = 교습자의 모델 동작 데이터로부터 도출되는 현재 교습자 적합화 결과(Current Student Fitting Result)
EFSGC = 실제 교습자 동작 데이터로부터 도출되는 현재 교습자 적합화 결과
예를 들어, 위의 방정식을 사용하여, 만약 장비 적합화가 골퍼의 신발을 위한 골프 신발 지원을 수반한다면, 새로운 지원 수준(EFVGT)은 교습자의 동작 모델의 현재 신발 지원 수준(EFVGC)에서 시작하며, 지원에 영향을 미치는 모든 적합화 구성성분에 의해 부과되는 신발 지원 변경을 가산함에 의해 결정된다. 이러한 값은 적합화 구성성분에 관계된 적합화 상수(efci) 및 교습자의 모델 동작 값(EFMGC)과 교습자의 실제 값(EFSGC) 사이의 차이의 결과물이다. 값은 적합화가 교습자의 모델 값(FVL)으로부터 멀어지는 정도에 의해 추가로 조정된다.
적합화 결과는 구성성분 또는 선형의 혹은 각방향 변위, 속도, 가속도, 힘 혹은 시간의 조합으로부터의 동작의 어떠한 구성성분도 될 수 있다. 또한 경향은 교습자 신체 부분 또는 그것의 조합의 어떠한 것도 망라할 수 있다.
블록(508)에서, 동작 채점 서브루틴 과정(300)으로부터 산출된 교습자의 동작에 관한 수반된 벌칙 점수가 수반된 장비를 교습자에게 바람직한 동작 수준으로 맞추기 위해 수반된 장비의 우수한 디자인 요구 및 변수를 결정하는 각각의 바닥 접촉 알고리즘에서 사용된다. 예를 들어, 교습자의 골프 스윙을 통해 교습자와 바닥 사이의 접촉이 존재한다. 그러므로 바닥 접촉 알고리즘은 교습자를 위해 골프 신발이 가장 잘 맞도록 결정하는데 사용될 수 있다. 만약 가변 수준 적합화의 값이 0.0에 가깝게 설정되었다면, 과정(500)은 교습자가 스윙을 하면서 현재 발생하는 스트레스 수준 및 타이밍을 통제할 수 있는 골프 신발의 디자인 요구 및 변수를 산출한다. 만약 가변 수준 적합화의 값이 1.0으로 이동한다면, 과정(500)은 교습자의 개인적 동작 모델의 스윙에 있어서 스트레스 수준 및 타이밍을 통제할 수 있는 골프 신발의 디자인 요구 및 변수를 산출한다.
블록(509)에서, 장비가 교습자에게 결부되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(510)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(512)으로 진행한다.
블록(510)에서, 컴퓨터(20)는 예를 들어 다음과 같은 방정식을 포함하는 결부된 장비 적합화 알고리즘을 읽거나 로드한다.
여기서,
EFVAT = 적합화 경향이 적용된 후의 장비 적합화 값(결부된 접촉)
EFVAC = 움직임 경향이 적용되기 전의 현재 교습자 적합화 값
FVL = 가변 수준 적합화
i = 처리되는 적합화 구성성분
n = 적합화 구성성분의 개수
efci = 장비 적합화 상수
EFMAC = 교습자의 모델 동작 데이터로부터 도출되는 현재 교습자 적합화 결과
EFSAC = 실제 교습자 동작 데이터로부터 도출되는 현재 교습자 적합화 결과
예를 들어, 위의 방정식을 사용하여, 만약 장비 적합화가 골프 샤프트의 샤프트 굴곡성에 있어서 클럽과 공간의 충돌 영향을 수반한다면, 새로운 샤프트 굴곡성(EFVAT)은 교습자의 동작 모델의 현재 샤프트 굴곡성(EFVAC)으로부터 시작하고, 지원에 영향을 미치는 모든 접촉 적합화 구성성분에 의해 부과되는 샤프트 골곡성 변 경을 가산하여 결정된다. 이러한 값은 적합화 구성성분에 관계된 적합화 상수(efci) 및 교습자의 모델 동작 값(EFMAC)과 교습자의 실제 값(EFSAC) 사이의 차이의 결과물이다. 값은 적합화가 교습자의 모델 값(FVL)으로부터 멀리 떨어지는 정도에 의해 추가로 조정된다.
적합화 결과는 구성성분 또는 선형 혹은 각방향 변위, 속도, 가속도, 힘 또는 시간의 조합으로부터의 어떠한 구성성분도 될 수 있다. 또한 경향은 교습자 신체 부분 또는 그것의 조합의 어떠한 것도 망라할 수 있다.
블록(511)에서, 동작 채점 서브루틴 과정(300)으로부터 산출되는 교습자의 동작에 관한 수반된 벌칙 점수는 수반된 장비를 맞추기 위해 수반된 장비에 관한 우수한 디자인 요구 및 변수를 결정하기 위한 각각의 결부된 장비 알고리즘에서 사용된다. 예를 들어, 골프 클럽은 교습자의 동작시 교습자에게 결부된 장비이다. 만약 가변 수준 적합화의 값이 0.0이라면, 과정(500)은 교습자의 스윙시 현재 산출하는 스윙 오류를 줄이는데 도움이 되는 골프 클럽의 디자인 요구 및 변수를 생성한다. 만약 가변 수준 적합화의 값이 1.0으로 이동한다면, 과정(500)은 교습자의 개별화된 동작 모델의 스윙에서의 힘을 향상시키는데 도움을 주는 골프 클럽의 디자인 요구 및 변수를 생성한다.
블록(512)에서, 교습자는 결부되지 않은 장비를 사용하는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(513)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(516)으로 진행한다.
블록(513)에서, 컴퓨터(20)는 결부되지 않은 장비 선형 적합화 알고리즘을 읽거나 로드하고, 블록(514)에서, 컴퓨터(20)는 예를 들어 아래와 같은 방정식을 포함하는 결부되지 않은 장비 각방향 적합화 알고리즘을 읽거나 로드한다.
여기서,
EFVUT = 적합화 경향이 적용된 후의 장비 적합화 값(결부되지 않은 접촉)
EFVUC = 움직임 경향이 적용되기 전의 현재 교습자 적합화 값
FVL = 가변 수준 적합화
i = 처리되는 적합화 구성성분
n = 적합화 구성성분의 개수
efci = 장비 적합화 상수
EFMUC = 교습자의 모델 동작 데이터로부터 도출되는 현재 교습자 적합화 결과
EFSUC = 실제 교습자 동작 데이터로부터 도출되는 현재 교습자 적합화 결과
예를 들어, 위의 방정식을 사용하여, 만약 장비 적합화는 골프공의 백스핀에 있어서 공과 클럽간의 충돌의 영향을 수반한다면, 새로운 공 스핀(EFVUT)은 교습자의 동작 모델(EFVUC)의 현재 공 스핀으로 시작하며, 스핀에 영향을 미치는 모든 접촉 적합화 구성성분에 의해 부가되는 공 스핀 변경을 가산하여 결정된다. 이러한 값은 적합화 구성성분에 관계된 적합화 상수(efci) 및 교습자의 모델 동작 값(EFMUC)과 교습자의 실제 값(EFSUC) 사이의 차이의 생산물이다. 값은 적합화가 교습자의 모델 값(FVL)으로부터 멀어질는 정도에 의해 추가로 조정된다.
적합화 결과는 구성성분 또는 선형의 혹은 각방향 변위, 속도, 가속도, 힘 혹은 시간의 조합으로부터의 동작의 어떠한 구성성분도 될 수 있다. 또한 경향은 교습자 신체 부분 또는 그것의 조합중의 어느 것도 망라할 수 있다.
블록(515)에서, 동작 채점 서브루틴 과정(300)으로부터 산출된 교습자의 동작에 관한 수반된 벌칙 점수는 수반된 장비 적합화를 위해 수반되는 장비의 우수한 디자인 요구 및 변수를 결정하는 각각의 결부되지 않은 장비 알고리즘에서 사용된다. 예를 들어, 골프공은 교습자의 동작시 교습자에게 결부되지 않는 장비이다. 만약 가변 수준 적합화의 값이 0.0이라면, 과정(500)은 스윙시 교습자가 현재 생성하는 스윙 오류를 감소하는데 도움을 주는 골프공의 디자인 요구 및 변수를 생성한다. 만약 가변 수준 적합화의 값이 1.0으로 이동한다면, 과정(500)은 교습자의 개별화된 동작 모델의 스윙의 힘을 향상시키는데 도움이 되는 골프 클럽의 디자인 요구 및 변수를 생성한다.
블록(516)에서, 비충돌 장비가 수반되는가에 대한 질문이 제시된다. 만약 대 답이 "예"라면, 과정(500)은 블록(517)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(518)으로 진행한다.
블록(517)에서, 컴퓨터(20)는 차후의 사용을 위해 비충돌 장비 적합화 결과를 저장한다.
블록(518)에서, 충돌 장비가 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(519)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 종료하거나 블록(501)에서 시작하기 위해 복귀한다.
블록(519)에서, 바닥 접촉이 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(520)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 종료하거나 블록(501)에서 시작하기 위해 복귀한다.
블록(520)에서, 컴퓨터(20)는 차후의 사용을 위해 충돌 장비 적합화 결과를 저장한다.
블록(521)에서, 결부된 장비가 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(522)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 블록(523)으로 진행한다.
블록(522)에서, 컴퓨터(20)는 차후의 사용을 위해 결부된 장비 적합화 결과를 저장한다.
블록(523)에서, 결부되지 않은 장비가 수반되는가에 대한 질문이 제시된다. 만약 대답이 "예"라면, 과정(500)은 블록(524)으로 진행하고, 만약 대답이 "아니오"라면, 과정(500)은 종료하거나 블록(501)에서 시작하기 위해 복귀한다.
바람직한 실시예가 이곳에서 소프트웨어에 의해 수행되는 것으로 설명되어 있음에도 불구하고, 본 발명의 교습은 하드웨어(예를 들어, 하나 이상의 응용의 특정한 집적회로)나 하드웨어 및 소프트웨어의 조합에 의해서도 동등하게 수행될 수 있다는 것이 기술분야의 통상적인 기술을 가진 자에게 명백하다. 결과적으로 본 발명의 범위는 오직 소프트웨어에 제한되는 것으로 해석되어서는 안된다.
따라서 본 발명의 적어도 하나의 실시예를 설명하고 있음에도, 다양한 변경예, 변형예 및 개량예가 기술분야의 지식이 있는 자에게 쉽게 떠오른다. 그러한 변경예, 변형예 및 개량예는 본 발명의 범위 및 취지에 포함된다. 따라서 앞에서의 설명은 오직 예를 들 목적이며, 제한하려는 의도가 아니다. 본 발명의 제한은 오직 등가물에 관해서만 한정된다.
Claims (26)
- 육체적인 과제를 착수하는 대상의 동작에 관한 자동화된 정량적 분석을 제공하는 방법에 있어서,대상의 신체의 육체적 특징을 나타내는 신체 측정치 세트를 획득하는 단계;대상에 의한 상기 과제의 이상적인 수행을 위한 신체 움직임 패턴을 나타내는 맞춤식 대상 동작 데이터 모델을 제공하기 위해, 상기 대상 신체 측정치에 따라서 상기 과제의 우수한 동작과 관련되는 신체 움직임 패턴을 나타내는 엘리트 데이터 모델을 변형하는 단계;상기 육체적인 과제를 착수하는 상기 대상의 비디오 데이터를 캡쳐하는 단계;상기 캡쳐된 비디오 데이터로부터 상기 과제를 착수하는 동안 대상 신체 움직임을 나타내는 데이터 세트를 결정하는 단계;상기 비디오 데이터로부터 도출되는 상기 신체 움직임 데이터 세트에 의해 나타내어지는 신체 움직임과 상기 대상 동작 데이터 모델에 의해 나타내어지는 신체 움직임 사이의 차이점을 확인하는 단계; 및상기 과제를 착수하는 동안 상기 대상의 상기 움직임 패턴이 상기 대상 동작 데이터 모델에 의해 나타내어지는 상기 움직임 패턴과 다른 정도에 대한 정량적인 분석과 그에 따라서 상기 과제를 완수하는 상기 대상의 동작에 대한 정량적인 분석을 제공하기 위해, 확인된 차이점을 정량화하는 단계를 포함하는 방법.
- 제 1 항에 있어서,정량화된 차이점을 보고하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 2 항에 있어서,상기 보고하는 단계가, 전체로서 상기 과제를 착수하는 동안 상기 대상의 상기 움직임 패턴이 상기 대상 동작 데이터 모델에 의해 나타내어지는 것과 다른 정도를 나타내는 확인된 차이점의 세트에 대한 점수 또는 하나 이상의 상기 각각의 확인된 차이점에 대한 점수를 산출하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 2 항 또는 제 3 항에 있어서,차이점에 대한 중요성의 수준을 설정하는 단계를 포함하며,상기 설정된 중요성의 수준을 초과하는 확인된 차이점만이 보고를 위해 선택되는 것을 특징으로 하는 방법.
- 제 3 항 또는 제 4 항에 있어서,상기 보고하는 단계는 각각의 확인된 차이점 또는 일군의 확인된 차이점을 위해 하나 이상의 문구를 데이터 기억장치로부터 검색하는 단계를 포함하고,상기 하나 이상의 문구는 상기 과제를 착수하는 동안의 상기 대상의 움직임 패턴과 상기 대상 동작 데이터 모델에 의해 나타내어지는 것 사이의 차이점에 대한 이유를 착수되는 상기 기술 또는 과제에 관련한 용어로 상기 대상에게 전달하는 것을 특징으로 하는 방법.
- 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,상기 신체 측정치는 상기 대상의 비디오 이미지로부터 도출되는 것을 특징으로 하는 방법.
- 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,상기 신체 측정치는 상기 대상에 의해 제공되는 정보로부터 도출되는 것을 특징으로 하는 방법.
- 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,상기 신체 측정치로부터 중요한 신체 부분 측정치를 결정하는 단계; 및상기 중요한 신체 부분 측정치에 의해 상기 대상의 이상적인 동작에 부가되는 제한을 설명하기 위해, 상기 대상 동작 데이터 모델 또는 상기 과제를 착수하는 동안 대상 신체 움직임을 나타내는 데이터 세트를 변경하는 단계;를 추가로 포함하는 것을 특징으로 하는 방법.
- 제 8 항에 있어서,상기 대상 동작 데이터 모델을 또는 상기 과제를 수행하는 동안 대상 신체 움직임을 나타내는 데이터 세트를 변경하는 상기 단계가,이하의 방정식에서 정의되는 것과 같이, 확인된 동작 경향(SSRC)을 수반하는 각각의 대상 신체 부분에 의해 부과되는 무게가 더해진 움직임 변경을 포함하기 위해 대상 신체 움직임 값(SMVC)을 변경하는 것을 특징으로 하는 방법.여기서,SMVT = 동작 경향이 적용된 후의 대상 움직임 값SMVC = 동작 경향이 적용되기 전의 현재 대상 움직임 값i = 처리되는 움직임 경향의 구성성분n = 경향 구성성분의 개수pmti = 동작 경향 상수SSRC = 대상의 신체 부분 길이와 엘리트 동작 모델의 신체 부분 길이 사이의 차이점으로부터 도출된 대상 부분 결과
- 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,상기 대상이 상기 과제를 착수하는 동안 캡쳐된 상기 비디오 데이터로부터 상기 대상이 상기 과제를 수행함에 따른 장비 움직임을 나타내는 장비 데이터 세트를 도출하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 10 항에 있어서,상기 대상에 의한 상기 과제의 이상적인 동작을 위해 장비 움직임 패턴을 나타내는 맞춤식 대상 장비 동작 데이터 모델을 제공하기 위해, 상기 획득한 신체 측정치 세트에 따라서 상기 과제의 우수한 동작과 관련되는 장비 움직임 패턴을 나타내는 엘리트 장비 데이터 모델을 변경하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 11 항에 있어서,상기 대상이 상기 과제를 수행하는 동안 상기 캡쳐된 비디오 데이터로부터 도출되는 상기 장비 데이터 세트와 상기 대상 장비 동작 데이터 모델을 비교하는 단계; 및상기 비디오 데이터로부터 도출되는 상기 장비 움직임 데이터 세트에 의해 나타내어지는 장비 움직임과 상기 대상 장비 동작 데이터 모델에 의해 나타내어지는 장비 움직임 사이의 차이점을 확인하는 단계;를 포함하는 것을 특징으로 하는 방법.
- 제 12 항에 있어서,상기 과제를 착수하는 동안 상기 대상의 장비의 상기 움직임 패턴이 상기 대상 장비 동작 데이터 모델에 의해 나타내어지는 상기 장비 움직임 패턴과 다른 정도의 정량적인 분석을 제공하기 위해 확인된 차이점을 정량화하는 단계; 및하나 이상의 각각의 상기 확인된 차이점을 위해 또는 전체로서 확인된 차이점 세트를 위해 점수를 생성하는 단계;를 포함하며,상기 점수는 상기 과제를 착수하는 동안 상기 대상의 장비의 상기 움직임 패턴이 상기 대상 장비 동작 데이터 모델에 의해 나타내어지는 그것과 다른 정도를 나타내는 것을 특징으로 하는 방법.
- 제 11 항 내지 제 13 항 중 어느 한 항에 있어서,상기 대상 신체 측정치로부터 중요한 신체 부분 측정치를 결정하는 단계; 및상기 대상의 중요한 신체 부분 측정치에 의해 상기 장비의 이상적인 동작에 부과되는 제한을 설명하기 위해, 상기 대상 장비 동작 데이터 모델을 변경하거나 상기 대상이 상기 과제를 수행함에 따른 장비 움직임을 나타내는 상기 장비 데이터 세트를 변경하는 단계;를 추가로 포함하는 것을 특징으로 하는 방법.
- 제 14 항에 있어서,상기 과제를 착수하는 동안 상기 대상 장비 동작 데이터 모델을 또는 대상 장비 움직임을 나타내는 데이터 세트를 변경하는 상기 단계가,이하의 방정식에서 정의되는 바와 같이, 확인된 동작 경향(SSRC)을 수반하는 각각의 대상 신체 부분에 의해 부과되는 무게가 더해진 움직임 변경을 포함하기 위해 대상 장비 움직임 값(SEVC)을 변경하는 것을 특징으로 하는 방법.여기서,SEVT = 동작 경향이 적용된 후의 장비 움직임 값SEVC = 동작 경향이 적용되기 전의 현재 장비 움직임 값i = 처리되는 움직임 경향의 구성성분n = 경향 구성성분의 개수pmti = 동작 경향 상수SSRC = 대상의 신체 부분 길이와 엘리트 동작 모델의 신체 부분 길이 사이의 차이점으로부터 도출되는 대상 부분 결과
- 제 14 항 또는 제 15 항에 있어서,확인되고 정량화된 차이점으로부터 그리고/또는 상기 추가로 변경된 대상 장비 동작 데이터 모델로부터 장비 적합화(fitting) 변수 세트를 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 16 항에 있어서,장비의 품목이 상기 대상의 동작시 충돌을 수반하는 것이 아닌지, 상기 대상의 동작시 바닥 충돌을 수반하는지, 상기 대상의 동작시 상기 대상에 결부되는지 (예를 들어, 잡힌), 또는 상기 대상의 동작시 상기 대상에게 결부되지 않는지 여부에 대해 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 17 항에 있어서,상기 대상의 동작시 장비의 품목이 충돌을 수반하지 않는다는 결정에 근거해서, 장비 적합화 값(EFVNT)을 바람직한 방정식 동작 적합화 경향에 적합하게 제공하기 위해, 현재 적합화 값(EFVNC)은 이하의 방정식에 따라서 변경되는 것을 특징으로 하는 방법.여기서,EFVNT = 적합화 경향이 적용된 후의 장비 적합화 값(비접촉)EFVNC = 움직임 경향이 적용되기 전의 현재 대상 적합화 값FVL = 가변 수준 적합화i = 처리되는 적합화 구성성분n = 적합화 구성성분의 개수efci = 장비 적합화 상수EFMNC = 모델 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과EFSNC = 실제 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과
- 제 17 항에 있어서,상기 대상의 동작시 장비의 품목이 바닥 충돌을 수반한다는 결정에 근거해서, 장비 적합화 값(EFVGT)을 바람직한 장비 동작 적합화 경향에 적합하게 제공하기 위해, 현재 적합화 값(EFVGC)이 이하의 방정식에 따라서 변경되는 것을 특징으로 하는 방법.여기서,EFVGT = 적합화 경향이 적용된 후의 장비 적합화 값(바닥 접촉)EFVGC = 움직임 경향이 적용되기 전의 현재 대상 적합화 값FVL = 가변 수준 적합화i = 처리되는 적합화 구성성분n = 적합화 구성성분의 개수efci = 장비 적합화 상수EFMGC = 모델 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과EFSGC = 실제 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과
- 제 17 항에 있어서,상기 대상의 동작시 장비의 품목이 상기 대상에 의해 결부된다는(예를 들어, 잡힌) 결정에 근거해서, 장비 적합화 값(EFVAT)을 바람직한 장비 동작 적합화 경향에 적합하게 제공하기 위해, 현재 적합화 값(EFVAC)이 이하의 방정식에 따라서 변경되는 것을 특징으로 하는 방법.여기서,EFVAT = 적합화 경향이 적용된 후의 장비 적합화 값(결부된 접촉)EFVAC = 움직임 경향이 적용되기 전의 현재 대상 적합화 값FVL = 가변 수준 적합화i = 처리되는 적합화 구성성분n = 적합화 구성성분의 개수efci = 장비 적합화 상수EFMAC = 모델 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과EFSAC = 실제 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과
- 제 17 항에 있어서,상기 대상의 동작시 장비의 품목은 상기 대상에게 결부되지 않는다는 결정에 근거해서, 장비 적합화 값(EFVUT)을 바람직한 장비 동작 적합화 경향에 적합하게 제공하기 위해, 현재 적합화 값(EFVUC)은 이하의 방정식에 따라서 변경되는 것을 특징으로 하는 방법.EFVUT = 적합화 경향이 적용된 후의 장비 적합화 값(비결부 접촉)EFVUC = 움직임 경향이 적용되기 전의 현재 대상 적합화 값FVL = 가변 수준 적합화i = 처리되는 적합화 구성성분n = 적합화 구성성분의 개수efci = 장비 적합화 상수EFMUC = 모델 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과EFSUC = 실제 대상 동작 데이터로부터 도출되는 현재 대상 적합화 결과
- 제 1 항 내지 제 21 항 중 어느 한 항에 있어서,비디오 데이터를 캡쳐하는 상기 단계는 하나 이상의 비디오 카메라에 의해 시스템으로 공급되는 비디오 데이터를 저장하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 1 항 내지 제 21 항 중 어느 한 항에 있어서,비디오 데이터를 캡쳐하는 상기 단계는 비디오 데이터를 생성하는 하나 이상의 비디오 카메라를 제어하는 단계 및 그러한 비디오 데이터를 저장하는 단계를 포함하는 것을 특징으로 하는 방법.
- 제 1 항 내지 제 23 항 중 어느 한 항에 따른 상기 방법의 하나 이상의 단계 를 이행하기 위해, 실행 환경에서 실행될 때, 작동가능한 하나 이상의 소프트웨어 프로그램 요소를 포함하는 컴퓨터 프로그램.
- 육체적 과제를 착수할 때 대상의 동작에 대한 자동화된 정량적인 분석을 제공하는 시스템에 있어서,육체적 과제를 착수하는 상기 대상의 비디오 데이터를 캡쳐하기 위한 하나 이상의 비디오 캡쳐 장치; 및프로세서 및 상기 프로세서에 의해 실행가능한 하나 이상의 컴퓨터 프로그램 요소를 포함하는 컴퓨터 시스템;을 포함하고,상기 컴퓨터 시스템은,상기 대상에 의한 상기 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 대상 동작 데이터 모델을 제공하기 위해, 대상의 신체의 육체적인 특징을 나타내는 대상 신체 측정치에 따라서 상기 과제의 우수한 동작에 관련되는 신체 움직임 패턴을 나타내는 엘리트 데이터 모델을 변경하고,상기 육체적 과제를 착수하는 상기 대상의 캡쳐된 비디오 데이터로부터, 상기 과제를 착수하는 동안 대상 신체 움직임을 나타내는 데이터 세트를 결정하고,상기 비디오 데이터로부터 도출되는 상기 신체 움직임 데이터 세트에 의해 나타내어지는 신체 움직임과 상기 대상 동작 데이터 모델에 의해 나타내어지는 신체 움직임 사이의 차이점을 확인하고, 및상기 과제를 착수하는 동안 상기 대상의 상기 움직임 패턴이 상기 대상 동작 데이터 모델에 의해 나타내어지는 상기 움직임 패턴과 다른 정도의 정량적인 분석 및 그에 따라서 상기 과제를 수행하는 상기 대상의 동작의 정량적인 분석을 제공하기 위해, 확인된 차이점을 정량화하는 것을 특징으로 하는 시스템.
- 실행 환경에서 실행될 때, 작동가능한 하나 이상의 소프트웨어 요소를 포함하며,대상의 신체의 육체적인 특징을 나타내는 대상 신체 측정치에 따라서 육체적 과제의 우수한 동작에 관련되는 신체 움직임 패턴을 나타내는 엘리트 데이터 모델을 변경하고, 그에 의해 상기 대상에 의한 상기 과제의 이상적인 동작을 위한 신체 움직임 패턴을 나타내는 맞춤식 대상 동작 데이터 모델을 제공하고,상기 육체적 과제를 착수하는 상기 대상의 캡쳐된 비디오 데이터로부터, 상기 과제를 착수하는 동안 대상 신체 움직임을 나타내는 데이터 세트를 결정하고,상기 비디오 데이터로부터 도출되는 상기 신체 움직임 데이터 세트에 의해 나타내어지는 신체 움직임과 상기 대상 동작 데이터 모델에 의해 나타내어지는 신체 움직임 사이의 위치상의 차이점을 확인하고, 및상기 과제를 착수하는 동안 상기 대상의 상기 움직임 패턴이 상기 대상 동작 데이터 모델에 의해 나타내어지는 상기 움직임 패턴과 다른 정도의 정량적인 분석 및 그에 따라서 상기 과제를 수행하는 상기 대상의 동작의 정량적인 분석을 제공하 기 위해, 확인된 차이점을 정량화하는 컴퓨터 시스템.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US53938504P | 2004-01-26 | 2004-01-26 | |
US60/539,385 | 2004-01-26 | ||
PCT/US2005/002732 WO2005072831A1 (en) | 2004-01-26 | 2005-01-26 | Systems and methods of measuring and evaluating performance of a physical skill and equipment used to perform the physical skill |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20070032628A true KR20070032628A (ko) | 2007-03-22 |
Family
ID=34826071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020067017376A KR20070032628A (ko) | 2004-01-26 | 2005-01-26 | 육체적 기술의 동작 및 이 육체적 기술의 수행에 사용하는장비의 측정 및 평가를 위한 시스템 및 방법 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20050196737A1 (ko) |
EP (1) | EP1722872A1 (ko) |
JP (1) | JP2007520282A (ko) |
KR (1) | KR20070032628A (ko) |
CN (1) | CN1933880A (ko) |
CA (1) | CA2554428A1 (ko) |
WO (1) | WO2005072831A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210144325A (ko) * | 2020-05-22 | 2021-11-30 | 구본준 | 영상의 중첩 분석을 통한 운동 자세 교정 방법, 장치 및 컴퓨터-판독가능 기록 매체 |
US11403882B2 (en) | 2019-05-21 | 2022-08-02 | Smith & Nephew, Inc. | Scoring metric for physical activity performance and tracking |
Families Citing this family (93)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10308265B2 (en) | 2006-03-20 | 2019-06-04 | Ge Global Sourcing Llc | Vehicle control system and method |
US10569792B2 (en) | 2006-03-20 | 2020-02-25 | General Electric Company | Vehicle control system and method |
US9733625B2 (en) | 2006-03-20 | 2017-08-15 | General Electric Company | Trip optimization system and method for a train |
US9233696B2 (en) | 2006-03-20 | 2016-01-12 | General Electric Company | Trip optimizer method, system and computer software code for operating a railroad train to minimize wheel and track wear |
US8924049B2 (en) | 2003-01-06 | 2014-12-30 | General Electric Company | System and method for controlling movement of vehicles |
GB0519698D0 (en) * | 2005-09-28 | 2005-11-02 | Univ Dundee | Apparatus and method for movement analysis |
US9689681B2 (en) | 2014-08-12 | 2017-06-27 | General Electric Company | System and method for vehicle operation |
US8370007B2 (en) | 2006-03-20 | 2013-02-05 | General Electric Company | Method and computer software code for determining when to permit a speed control system to control a powered system |
US8290645B2 (en) | 2006-03-20 | 2012-10-16 | General Electric Company | Method and computer software code for determining a mission plan for a powered system when a desired mission parameter appears unobtainable |
US9156477B2 (en) | 2006-03-20 | 2015-10-13 | General Electric Company | Control system and method for remotely isolating powered units in a vehicle system |
US8788135B2 (en) | 2006-03-20 | 2014-07-22 | General Electric Company | System, method, and computer software code for providing real time optimization of a mission plan for a powered system |
US9527518B2 (en) | 2006-03-20 | 2016-12-27 | General Electric Company | System, method and computer software code for controlling a powered system and operational information used in a mission by the powered system |
US8370006B2 (en) | 2006-03-20 | 2013-02-05 | General Electric Company | Method and apparatus for optimizing a train trip using signal information |
US8401720B2 (en) | 2006-03-20 | 2013-03-19 | General Electric Company | System, method, and computer software code for detecting a physical defect along a mission route |
US9266542B2 (en) | 2006-03-20 | 2016-02-23 | General Electric Company | System and method for optimized fuel efficiency and emission output of a diesel powered system |
US8998617B2 (en) | 2006-03-20 | 2015-04-07 | General Electric Company | System, method, and computer software code for instructing an operator to control a powered system having an autonomous controller |
US9201409B2 (en) | 2006-03-20 | 2015-12-01 | General Electric Company | Fuel management system and method |
US8398405B2 (en) * | 2006-03-20 | 2013-03-19 | General Electric Company | System, method, and computer software code for instructing an operator to control a powered system having an autonomous controller |
US8249763B2 (en) | 2006-03-20 | 2012-08-21 | General Electric Company | Method and computer software code for uncoupling power control of a distributed powered system from coupled power settings |
US8768543B2 (en) | 2006-03-20 | 2014-07-01 | General Electric Company | Method, system and computer software code for trip optimization with train/track database augmentation |
US8126601B2 (en) | 2006-03-20 | 2012-02-28 | General Electric Company | System and method for predicting a vehicle route using a route network database |
US8473127B2 (en) | 2006-03-20 | 2013-06-25 | General Electric Company | System, method and computer software code for optimizing train operations considering rail car parameters |
US8021160B2 (en) * | 2006-07-22 | 2011-09-20 | Industrial Technology Research Institute | Learning assessment method and device using a virtual tutor |
FI20065777L (fi) * | 2006-12-07 | 2008-06-08 | Base Vision Oy | Menetelmä ja mittauslaite liikesuoritusta varten |
EP2195102A1 (en) | 2007-09-14 | 2010-06-16 | Christian Züger | A system for capturing tennis match data |
CN101408993B (zh) * | 2007-10-09 | 2010-09-15 | 财团法人工业技术研究院 | 运动记录*** |
US7766794B2 (en) * | 2007-11-02 | 2010-08-03 | Microsoft Corporation | Mobile exercise enhancement with virtual competition |
US8175326B2 (en) * | 2008-02-29 | 2012-05-08 | Fred Siegel | Automated scoring system for athletics |
US9834237B2 (en) | 2012-11-21 | 2017-12-05 | General Electric Company | Route examining system and method |
US8360903B2 (en) * | 2009-03-20 | 2013-01-29 | Sri Sports Limited | Method of selecting preferred customized equipment parameters for golf clubs |
US8234023B2 (en) | 2009-06-12 | 2012-07-31 | General Electric Company | System and method for regulating speed, power or position of a powered vehicle |
US8698888B2 (en) * | 2009-10-30 | 2014-04-15 | Medical Motion, Llc | Systems and methods for comprehensive human movement analysis |
US20110256518A1 (en) * | 2010-04-16 | 2011-10-20 | Wavedrive Systems, Inc. | Surfing instruction apparatus and method |
US20120276512A1 (en) * | 2010-10-21 | 2012-11-01 | Stephen Thomas Johnston | Computer Implemented Skill Improvement Systems And Methods of Using Computer Implemented Skill Improvement Systems |
US9852271B2 (en) | 2010-12-13 | 2017-12-26 | Nike, Inc. | Processing data of a user performing an athletic activity to estimate energy expenditure |
KR101549761B1 (ko) | 2010-11-05 | 2015-09-02 | 나이키 이노베이트 씨.브이. | 자동화된 개인 훈련 방법 및 시스템 |
US9977874B2 (en) | 2011-11-07 | 2018-05-22 | Nike, Inc. | User interface for remote joint workout session |
US9283429B2 (en) | 2010-11-05 | 2016-03-15 | Nike, Inc. | Method and system for automated personal training |
US9457256B2 (en) | 2010-11-05 | 2016-10-04 | Nike, Inc. | Method and system for automated personal training that includes training programs |
US10420982B2 (en) | 2010-12-13 | 2019-09-24 | Nike, Inc. | Fitness training system with energy expenditure calculation that uses a form factor |
CA2821274C (en) * | 2010-12-13 | 2018-06-12 | Nike International Ltd. | Processing data of a user performing an athletic activity to estimate energy expenditure |
US9387361B2 (en) * | 2010-12-20 | 2016-07-12 | Seiko Epson Corporation | Swing analyzing apparatus |
CN102281385B (zh) * | 2011-08-16 | 2013-03-27 | 上海交通大学 | 基于运动视频的周期运动检测方法 |
US8314840B1 (en) * | 2011-09-10 | 2012-11-20 | Conley Jack Funk | Motion analysis using smart model animations |
GB2495551B (en) | 2011-10-14 | 2014-04-09 | Sony Comp Entertainment Europe | Motion scoring method and apparatus |
US9811639B2 (en) | 2011-11-07 | 2017-11-07 | Nike, Inc. | User interface and fitness meters for remote joint workout session |
US9350951B1 (en) * | 2011-11-22 | 2016-05-24 | Scott Dallas Rowe | Method for interactive training and analysis |
US20130203526A1 (en) * | 2012-02-02 | 2013-08-08 | New Kinetic Solutions, LLC | Golf swing analysis with physical and skill deficit correction method |
US9072930B2 (en) * | 2012-04-11 | 2015-07-07 | Icon Health & Fitness, Inc. | System and method for measuring running efficiencies on a treadmill |
US20130316840A1 (en) * | 2012-05-24 | 2013-11-28 | Gary James Neil Marks | Golf swing grading software system, golf swing component scoring chart and method |
EP2856369A1 (en) | 2012-06-04 | 2015-04-08 | NIKE Innovate C.V. | Combinatory score having a fitness sub-score and an athleticism sub-score |
US9682716B2 (en) | 2012-11-21 | 2017-06-20 | General Electric Company | Route examining system and method |
US9669851B2 (en) | 2012-11-21 | 2017-06-06 | General Electric Company | Route examination system and method |
JP5733298B2 (ja) * | 2012-12-28 | 2015-06-10 | カシオ計算機株式会社 | 表示制御装置、表示制御方法及びプログラム |
US9254409B2 (en) | 2013-03-14 | 2016-02-09 | Icon Health & Fitness, Inc. | Strength training apparatus with flywheel and related methods |
KR101449671B1 (ko) * | 2013-05-15 | 2014-11-05 | 주식회사 게임소마 | 스크린 골프 서비스 제공 방법 및 시스템 |
US9403047B2 (en) | 2013-12-26 | 2016-08-02 | Icon Health & Fitness, Inc. | Magnetic resistance mechanism in a cable machine |
US10433612B2 (en) | 2014-03-10 | 2019-10-08 | Icon Health & Fitness, Inc. | Pressure sensor to quantify work |
US10426989B2 (en) | 2014-06-09 | 2019-10-01 | Icon Health & Fitness, Inc. | Cable system incorporated into a treadmill |
EP3194036A4 (en) | 2014-08-11 | 2017-12-27 | Icuemotion LLC | Codification and cueing system for human interactions in tennis and other sport and vocational activities |
JP2016073548A (ja) * | 2014-10-08 | 2016-05-12 | セイコーエプソン株式会社 | スイング群解析装置、スイング群解析方法、およびスイング群解析プログラム |
US10258828B2 (en) | 2015-01-16 | 2019-04-16 | Icon Health & Fitness, Inc. | Controls for an exercise device |
US10918924B2 (en) | 2015-02-02 | 2021-02-16 | RLT IP Ltd. | Frameworks, devices and methodologies configured to enable delivery of interactive skills training content, including content with multiple selectable expert knowledge variations |
WO2016179652A1 (en) | 2015-05-08 | 2016-11-17 | Guided Knowledge Ip Pty Ltd | Frameworks, devices and methodologies configured to enable automated categorisation and/or searching of media data based on user performance attributes derived from performance sensor units |
EP3295325A4 (en) * | 2015-05-08 | 2018-10-24 | GN IP Pty Ltd | Frameworks and methodologies configured to enable analysis of physically performed skills, including application to delivery of interactive skills training content |
JP2017045160A (ja) * | 2015-08-25 | 2017-03-02 | ルネサスエレクトロニクス株式会社 | 技能指導検証システムおよび技能指導検証プログラム |
US10953305B2 (en) | 2015-08-26 | 2021-03-23 | Icon Health & Fitness, Inc. | Strength exercise mechanisms |
US10854104B2 (en) | 2015-08-28 | 2020-12-01 | Icuemotion Llc | System for movement skill analysis and skill augmentation and cueing |
CN105288957B (zh) * | 2015-11-27 | 2017-11-14 | 河南科技学院 | 一种体能综合训练器械及其测评*** |
WO2017096436A1 (en) | 2015-12-10 | 2017-06-15 | Guided Knowledge Ip Pty Ltd | Frameworks and methodologies configured to enable real-time adaptive delivery of skills training data based on monitoring of user performance via performance monitoring hardware |
US10561894B2 (en) | 2016-03-18 | 2020-02-18 | Icon Health & Fitness, Inc. | Treadmill with removable supports |
US10625137B2 (en) | 2016-03-18 | 2020-04-21 | Icon Health & Fitness, Inc. | Coordinated displays in an exercise device |
US10493349B2 (en) | 2016-03-18 | 2019-12-03 | Icon Health & Fitness, Inc. | Display on exercise device |
US10272317B2 (en) | 2016-03-18 | 2019-04-30 | Icon Health & Fitness, Inc. | Lighted pace feature in a treadmill |
US10293211B2 (en) | 2016-03-18 | 2019-05-21 | Icon Health & Fitness, Inc. | Coordinated weight selection |
US10252109B2 (en) | 2016-05-13 | 2019-04-09 | Icon Health & Fitness, Inc. | Weight platform treadmill |
US10441844B2 (en) | 2016-07-01 | 2019-10-15 | Icon Health & Fitness, Inc. | Cooling systems and methods for exercise equipment |
US10471299B2 (en) | 2016-07-01 | 2019-11-12 | Icon Health & Fitness, Inc. | Systems and methods for cooling internal exercise equipment components |
CN106094761A (zh) * | 2016-07-21 | 2016-11-09 | 广西柏豪家具有限公司 | 家居智能控制*** |
US10500473B2 (en) | 2016-10-10 | 2019-12-10 | Icon Health & Fitness, Inc. | Console positioning |
US10376736B2 (en) | 2016-10-12 | 2019-08-13 | Icon Health & Fitness, Inc. | Cooling an exercise device during a dive motor runway condition |
US10661114B2 (en) | 2016-11-01 | 2020-05-26 | Icon Health & Fitness, Inc. | Body weight lift mechanism on treadmill |
TWI646997B (zh) | 2016-11-01 | 2019-01-11 | 美商愛康運動與健康公司 | 用於控制台定位的距離感測器 |
TWI680782B (zh) | 2016-12-05 | 2020-01-01 | 美商愛康運動與健康公司 | 於操作期間抵銷跑步機的平台之重量 |
CN110099727B (zh) * | 2016-12-27 | 2021-10-29 | 索尼公司 | 输出控制装置、输出控制方法以及程序 |
US20190009133A1 (en) * | 2017-07-06 | 2019-01-10 | Icuemotion Llc | Systems and methods for data-driven movement skill training |
TWI782424B (zh) | 2017-08-16 | 2022-11-01 | 美商愛康有限公司 | 用於抗馬達中之軸向衝擊載荷的系統 |
CN108256433B (zh) * | 2017-12-22 | 2020-12-25 | 银河水滴科技(北京)有限公司 | 一种运动姿态评估方法及*** |
US10729965B2 (en) | 2017-12-22 | 2020-08-04 | Icon Health & Fitness, Inc. | Audible belt guide in a treadmill |
JP7262937B2 (ja) * | 2018-06-29 | 2023-04-24 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN109675262B (zh) * | 2019-03-04 | 2021-01-26 | 南通大学附属医院 | 八式肺康复镜像太极训练*** |
US11707663B1 (en) * | 2021-06-08 | 2023-07-25 | Matthew Hall | System for tracking, locating and predicting the position of a ball in a game of baseball or similar |
US11900678B2 (en) * | 2021-06-08 | 2024-02-13 | Patricia Hall | System for tracking, locating and calculating the position of an object in a game involving moving objects |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3145484A (en) * | 1961-09-15 | 1964-08-25 | Volney P Bayley | Method and apparatus for imparting and recording comparative instruction of a motion skill |
US3197888A (en) * | 1962-09-04 | 1965-08-03 | Richard A Held | Method for teaching manual skills |
US3408750A (en) * | 1965-09-15 | 1968-11-05 | George T. Mccollough | Visi-golf modern method of golf instruction |
US4015344A (en) * | 1972-02-29 | 1977-04-05 | Herbert Michaels | Audio visual teaching method and apparatus |
JPS5161213A (ko) * | 1974-11-26 | 1976-05-27 | Sony Corp | |
US4137566A (en) * | 1977-09-12 | 1979-01-30 | Acushnet Company | Apparatus and method for analyzing a golf swing and displaying results |
US4163941A (en) * | 1977-10-31 | 1979-08-07 | Linn Roy N Jr | Video speed analyzer of golf club swing or the like |
US4337049A (en) * | 1981-01-09 | 1982-06-29 | Connelly Edward M | Method and system for automated training of manual skills |
US4508510A (en) * | 1983-12-07 | 1985-04-02 | Mona Clifford | Method for psychomotor training of physical skills |
US4891748A (en) * | 1986-05-30 | 1990-01-02 | Mann Ralph V | System and method for teaching physical skills |
US5184295A (en) * | 1986-05-30 | 1993-02-02 | Mann Ralph V | System and method for teaching physical skills |
US5111410A (en) * | 1989-06-23 | 1992-05-05 | Kabushiki Kaisha Oh-Yoh Keisoku Kenkyusho | Motion analyzing/advising system |
US5772522A (en) * | 1994-11-23 | 1998-06-30 | United States Of Golf Association | Method of and system for analyzing a golf club swing |
US5904484A (en) * | 1996-12-23 | 1999-05-18 | Burns; Dave | Interactive motion training device and method |
US6083123A (en) * | 1997-02-11 | 2000-07-04 | Zevo Golf Co., Inc. | Method for fitting golf clubs for golfers |
US5911636A (en) * | 1998-01-16 | 1999-06-15 | Southeast Golf, Inc. | Golf club fitting method and system |
US6966843B2 (en) * | 1998-05-06 | 2005-11-22 | Accu-Sport International, Inc. | Golf club fitting system and method |
US6154081A (en) * | 1999-06-15 | 2000-11-28 | Delphi Technologies, Inc. | Load circuit having extended reverse voltage protection |
US6514081B1 (en) * | 1999-08-06 | 2003-02-04 | Jeffrey L. Mengoli | Method and apparatus for automating motion analysis |
US20020064764A1 (en) * | 2000-11-29 | 2002-05-30 | Fishman Lewis R. | Multimedia analysis system and method of use therefor |
US20030109322A1 (en) * | 2001-06-11 | 2003-06-12 | Funk Conley Jack | Interactive method and apparatus for tracking and analyzing a golf swing in a limited space with swing position recognition and reinforcement |
US7074168B1 (en) * | 2001-08-10 | 2006-07-11 | Farnes Larry D | System for human physical evaluation and accomplish improved physical performance |
US20030054327A1 (en) * | 2001-09-20 | 2003-03-20 | Evensen Mark H. | Repetitive motion feedback system and method of practicing a repetitive motion |
US6786730B2 (en) * | 2002-03-01 | 2004-09-07 | Accelerized Golf Llc | Ergonomic motion and athletic activity monitoring and training system and method |
US6905339B2 (en) * | 2003-01-10 | 2005-06-14 | Dimare Mark | Virtual sport instruction |
US7195565B2 (en) * | 2003-01-21 | 2007-03-27 | James White | Golf club fitting system |
JP4290462B2 (ja) * | 2003-04-16 | 2009-07-08 | Sriスポーツ株式会社 | ゴルフスウィングの診断システム |
-
2005
- 2005-01-26 WO PCT/US2005/002732 patent/WO2005072831A1/en active Application Filing
- 2005-01-26 CA CA002554428A patent/CA2554428A1/en not_active Abandoned
- 2005-01-26 EP EP05706135A patent/EP1722872A1/en not_active Withdrawn
- 2005-01-26 KR KR1020067017376A patent/KR20070032628A/ko not_active Application Discontinuation
- 2005-01-26 JP JP2006551502A patent/JP2007520282A/ja active Pending
- 2005-01-26 US US11/052,711 patent/US20050196737A1/en not_active Abandoned
- 2005-01-26 CN CNA2005800095246A patent/CN1933880A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403882B2 (en) | 2019-05-21 | 2022-08-02 | Smith & Nephew, Inc. | Scoring metric for physical activity performance and tracking |
US11759126B2 (en) | 2019-05-21 | 2023-09-19 | Smith & Nephew, Inc. | Scoring metric for physical activity performance and tracking |
KR20210144325A (ko) * | 2020-05-22 | 2021-11-30 | 구본준 | 영상의 중첩 분석을 통한 운동 자세 교정 방법, 장치 및 컴퓨터-판독가능 기록 매체 |
Also Published As
Publication number | Publication date |
---|---|
CA2554428A1 (en) | 2005-08-11 |
EP1722872A1 (en) | 2006-11-22 |
JP2007520282A (ja) | 2007-07-26 |
CN1933880A (zh) | 2007-03-21 |
WO2005072831A1 (en) | 2005-08-11 |
US20050196737A1 (en) | 2005-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20070032628A (ko) | 육체적 기술의 동작 및 이 육체적 기술의 수행에 사용하는장비의 측정 및 평가를 위한 시스템 및 방법 | |
JP2852925B2 (ja) | 肉体的運動熟達教育用システム | |
US5184295A (en) | System and method for teaching physical skills | |
CA2819067C (en) | Systems and methods for performance training | |
US9656121B2 (en) | Methods for analyzing and providing feedback for improved power generation in a golf swing | |
Ghasemzadeh et al. | Wearable coach for sport training: A quantitative model to evaluate wrist-rotation in golf | |
WO2008023250A1 (en) | Motion coaching device, method and system | |
Chun et al. | A sensor-aided self coaching model for uncocking improvement in golf swing | |
US11620858B2 (en) | Object fitting using quantitative biomechanical-based analysis | |
CN112933581A (zh) | 一种基于虚拟现实技术的体育动作评分方法与装置 | |
US11620783B2 (en) | 3D avatar generation and robotic limbs using biomechanical analysis | |
Celigueta | Multibody simulation of the human body motion in sports | |
Ida et al. | Quantitative relation between server motion and receiver anticipation in tennis: Implications of responses to computer-simulated motions | |
Pai et al. | Home Fitness and Rehabilitation Support System Implemented by Combining Deep Images and Machine Learning Using Unity Game Engine. | |
JP2022061784A (ja) | 運動解析装置、運動解析方法、及び運動解析プログラム | |
US12062123B2 (en) | 3D avatar generation using biomechanical analysis | |
JP2019208690A (ja) | 評価方法および評価システム | |
JP2019097818A (ja) | スイング解析装置 | |
JP7281138B2 (ja) | スイング解析装置 | |
JP2024079159A (ja) | スイング評価装置、方法及びプログラム | |
JP2024063331A (ja) | 動作解析装置 | |
AU2011338407B2 (en) | Systems and methods for performance training | |
JP2024063332A (ja) | 動作解析装置 | |
Liu et al. | Innovative Application of Computer Vision and Motion Tracking Technology in Sports Training | |
JP2024066646A (ja) | 動作評価装置、方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
WITN | Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid |