SE537695C2 - Metod och anordning för analys av periodisk rörelse - Google Patents

Abstract

537 69 SAMMAN DRAG FOreliggande uppfinning hanfOr sig till en metod for att analysera en periodisk rorelse. Metoden innefattar att ta ennot (210) en tidsserie av data fran en trOghetssensor som anvands for att kanna av den periodiska rorelsen. Metoden s innefattar ytterligare att dela upp (220) den mottagna tidsserien av data i partitioner, dar vane partition motsvarar en rorelseperiod, och att omvandal (230) varje partition till en datarepresentation av en viss storlek. Metoden innefattar ocksa att analysera (240) datarepresentationen av den periodiska rorelsen.

Description

537 69 METOD OCH ANORDNING FOR ANALYS AV PERIODISK R6RELSE TEKNISKT OMRADE Beskrivningen hanfOr sig till analys av rorelser. Mer specifikt hanfOr sig beskrivningen till ett system och en metod for att analysera periodiska rorelser hos tex en langdskidakare.

BAKGRUND Manga professionella idrottsman, men aven joggare eller personer som utfar andra fysiska ovningar, anvander idag pulsklockor som traningshjalp. Pulsklockor kan ocksa inbegripa positioneringssystem for att samla in mer sofistikerad information under ovningarna. Men pulsklockor ger anda en begransad mangd information, och ger inte information om hur en fysisk ovning eller rorelse utfors. Olika verktyg baserade pa videoanalys anvands inom manga sporter for post hoc analys av rorelser och fysiska ovningar. Sadana verktyg kan omfatta alit fran enkla system baserade pa konsumentkameror med grafiska anvandargranssnitt, till avsevart mycket mer komplicerade och dyra system for rorelsedetektion som anvands for mer exakt tredimensionell modellering av rOrelser. En nackdel med sadana verktyg är att aterkopplingen ges fOrst efter ovningen, och att det kan vara svart att observera sma skillnader mellan riirelser utforda av idrottsmannen. Dessutom är verktyg baserade pa videoanalys svara att anvanda i en sport som 20 langdskidakning, eftersom idrottsmannen ror sig over en stor yta under ovningen, och att det kan vara svart att fanga varje rorelse med kameran.

En annan typ av verktyg for analys av en idrottsmans rorelser är baserad pa anvandningen av sensorer placerade pa olika delar av idrottsmannens kropp, dar sensorerna typiskt kommunicerar tradlost med en dator. Sensorerna kan samla data som kan vara svart for en tranare att se med egna ogon. Datorn kan damned samla data fran sensorerna pa idrottsmannens kropp under ovningen, och insamlad data kan sen anvandas i ett analysverktyg pa datorn for att analysera idrottsmannens prestanda och rorelser. Analysen kan anvandas som traningshjalp for att forbattra idrottsmannens prestanda. Det kan dock behOvas ett stort antal sensorer for att f ett anvandbart resultat, och de kan paverka idrottsmannens 1 537 69 rOrelse under ovningen. Aven om datainsamlingen utfors under ovningen, sa kan det and vara komplicerat och tidsodande att analysera den stora mangden data som samlas in och att ge aterkoppling i realtid under ovningen.

SAMMANFATTNING Det är darfor ett andamal att inrikta sig pa nagra av de ovan namnda problemen, och att tillhandahalla en losning for detaljerad analys av en periodisk rOrelse hos en idrottsman i realtid, utan att idrottsmannens rorelser hindras eller begransas. Detta andamal och andra uppnas med metoden och systemet enligt de oberoende patentkraven, och med utforingsformerna enligt de beroende patentkraven. 10 I enlighet med en forsta utforingsform, tillhandahalls en metod for analys av en periodisk rorelse. Metoden innefattar att ta emot en tidsserie av data fran en trOghetssensor som anvands for att kanna av den periodiska rorelsen. Metoden innefattar ytterligare att dela upp den mottagna tidsserien av data i partitioner, dar varje partition motsvarar en period av rarelsen, och att omvandla varje partition till en datarepresentation av en viss storlek. Metoden innefattar ocksa att analysera den periodiska rorelsens datarepresentation.

I enlighet med en andra utforingsform, tillhandahalls ett system for analys av en periodisk rat-else. Systemet innefattar en trOghetssensor fOr att kanna av den periodiska rorelsen. Systemet är anpassat att ta emot en tidsserie av data fran troghetssensorn. Systemet är ytterligare anpassat att dela upp den mottagna tidsserien av data i partitioner, dar varje partition motsvarar en period av rorelsen, och att omvandla varje partition till en datarepresentation av en viss storlek. Systemet är ocksa anpassat att analysera den periodiska rorelsens datarepresentation.

En fordel med utforingsformer är att bara en sensor behovs for att analysera den periodiska rorelsen som utfors av en idrottsman, vilket minimerar risken att idrottsmannens rOrelse stars.

Ytterligare en fordel är att analysen kan utforas i realtid, sa att resultatet fran analysen kan aterkopplas till idrottsmannen eller till tranaren under ovningen. 2 537 69 Andra andarnal, fardelar och sardrag hos utforingsformer kommer att fOrklaras i foljande detaljerade beskrivning som ska forstas tillsammans med dartill horande figurer och patentkrav.

KORT BESKRIVNING AV RITNINGAR Figur 'I är en schematisk illustration av ett system i enlighet med en av uppfinningens utforingsformer.

Figurer 2a-b är flodesscheman som illustrerar metoden enligt utforingsformer.

Figurer 3a-b är blockdiagram som schematiskt illustrerar systemet enligt utfOringsformer.

Figurer 4a-c är punktdiagram for radata insamlat fran tre olika skid6kare som anvander skatevaxel 2.

Figurer 5a-c är punktdiagram for radata insamlat frAn tre olika skid6kare som anvander skatevaxel 3.

DETALJERAD BESKRIVNING I det fOljande kommer olika aspekter att beskrivas mer i detalj med referens till vissa utforingsformer och till dartill horande figurer. Specifika detaljer framstalls i Syfte att forklara och inte att begransa, sasom speciella scenarier och tekniker, for att tillhandahAlla en grundlig forstAelse av de olika utforingsformerna. Emellertid kan andra utforingsformer som har sin utgangspunkt i dessa specifika detaljer kan ocks6 finnas.

Vidare fOrstar fackmannen att de funktioner och medel som beskrivs harefter kan implementeras i mjukvara som fungerar i samarbete med en programmerad mikroprocessor eller en vanlig dator, och/eller genom att anvanda en application specific integrated circuit (ASIC). Det kan ocks6 forsta's att aven om unringsformerna primart beskrivs i form av en metod och ett system, s6 kan de ocks6 realiseras i en datorprogramprodukt liksom i ett system som innefattar en datorprocessor och ett minne kopplat till processorn, dar minnet är kodat med ett 3 537 69 eller flera program som kan utfora funktionerna som beskrivs har.

Utforingsformer är beskrivna i en icke-begransande generell kontext i relation till ett exempelscenario dar den periodiska rbrelsen ar en rorelse hos en person som Aker langdskidor med skateteknik, och med ett system enligt det som illustreras i Figur 1. Emellertid bOr det noteras att utforingsformerna ocksA kan tillampas pa and ía typer av periodiska rorelser, sasom den periodiska rorelsen hos en travhast, hos en joggande person, eller hos en person som Aker langdskidor med klassisk teknik. Det kan ocksA vara en periodisk rorelse hos ett icke-levande objekt sAsom en cykels pedaler, eller en robots rOrliga delar.

Andamalet att analysera en periodisk rorelse hos en langdAkare i realtid utan att hindra skidakarens rOrelser har losts med en metod dar en treghetssensor, sasom en accelerometer eller ett gyroskop, placeras pa skidAkarens kropp for att kanna av den periodiska skaterbrelsen hos skidakaren. Strammande data fran sensorn samlas sen in och delas upp i perioder av skidAkarens periodiska rorelse. Varje partition omvandlas till en datarepresentation av en viss storlek, med syfte att representera varje partition pa ett normaliserat satt. Uppdelningen och omvandlingen kan kallas for en fOrbehandling av tidsserien av data fran sensorn. FOrdelen med forbehandlingen är att den mojliggor en datarepresentation av den periodiska rorelsen i realtid baserat pa strOmmande data frAn en troghetssensor.

Datarepresentationen kan sen anvandas for en efterfoljande analys av den periodiska rarelsen. Analysen kan tex innefatta en klassificering av den periodiska rOrelsen, som darmed kan ge som resultat vilken rOrelseklass som skidAkaren utfor under en tidsperiod. I exemplet med skateskidakning anvands olika kroppsrorelsennonster for olika terrang och hastigheter. En skidakare kan alltsa tex 25 anvanda olika skatetekniker beroende pa om hon Aker i en uppforsbacke eller i en nerforsbacke. Det finns ingen internationellt accepterad nannnkonvention for dessa olika skatetekniker. Foljande ger nAgra exempel pa namngivning av fern valdefinierade skatetekniker, vilka fOljs av en kort beskrivning av tekniken: 1. Vaxel 1, diagonal V, eller enkelsidigt stavtag: Liknar den klassiska saxningen men med en kort glidning pa varje skida. Denna teknik anvands vid valdigt brant uppforsbacke. 4 537 69 Vaxel 2, V1, eller offset skate: Nagot farskjutna dubbelsidiga stavtag pa vartannat ben.

Vaxel 3, V2, eller 1-skate: Dubbelsidiga stavtag pa varje ben. Anvands pa plattmark for att accelerera och i mattlig uppforsbacke. 4. Vaxel 4, V2 alternerande, eller 2-Skate: Dubbelsidiga stavtag pa vartannat ben. Anvands pa plattmark, nar man klattrar och vid latt nedfarsbacke. 5. Vaxel 5, V skate, eller fri-skate: Skatning utan anvandning av stavar. Anvands i utforsbacke vid valdigt hog fart.

Harefter kommer namnkonventionen vaxel 1-5 att anvandas. Varje definierad 10 skatevaxel kan Overensstamma med en rorelseklass, och skidakarens periodiska rarelse kan alltsa klassificeras i en av de definierade skatevaxlarna vid analysen.

Figur 1 illustrerar ett system 10 enligt en av uppfinningens utforingsformer. En enhet 100 som innefattar troghetssensorn 105 ansluten till en mobilterminal 101, placeras pa skidakaren. Enheten 100 kan tex placeras pa skidakarens brost eller rygg. Mobilterminalen 101 innefattar en processorkrets 102, och en sandare 103 for att sanda sensordata till en internet server 110 via ett mobilnat. Anslutningen mellan sensorn 105 och mobilterminalen 101 kan vara en Bluetooth-anslutning, vilket gar det mojligt att placera sensorn pa avstand fran mobilternninalen. Dessutom kan mer an en sensor 105 anslutas till terminalen 101. Till exempel kan bade en accelerometer och ett gyroskop anslutas och synkroniseras med varandra. Alternativt kan tva accelerometrar placerade pa olika delar av kroppen anslutas. Dagens smarta telefoner har integrerade accelerometrar och kan darmed anvandas som enheten 100 placerad pa skidakaren vilket tillhandahaller en kombinerad sensor 105 och mobilterminal 101. Servern 110 kan ocksa anslutas till en databas (DB) 120 som anvands far att lagra data insamlat fran troghetssensom i form av radata eller forbehandlat data, eller for att lagra resultat fran analysen av rerelsen.

En tidsserie av data som tagits ennot fran sensorn 105 kan forbehandlas och analyseras lokalt i enheten 100 som bars av skidakaren, tex i processorkretsen 537 69 102 i terminalen 101. Tidsserien av data kan kallas fOr en sekvens av data som tas emot fran sensorn 105 Over tiden. En fordel med denna utfOringsform med lokalt analyserat data är att det inte behovs nagon anslutning till internetservern 110, sa systemet är sjalvstandigt. Alternativt sa kan en tidsserie av r6data som 5 tagits emot frail sensorn 105 sandas till servern 110, och forbehandlingen och analysen kan utforas i servern 110. I det fall da ingen behandling av data utfOrs i enheten 100 som bars av skidakaren, sa kommer enheten 100 bara behova innefatta sensorn 105 och sandaren 103 som är anpassad att vidarebefordra rà sensordata till servern 110. En fordel med denna utforingsform är att enheten 100 som bars av skidakaren reduceras till ett minimum. En kombination ar ocksa mojlig, dar forbehandlingen av tidserien av data utfors i enheten 100 som bars av skidakaren, och dar forbehandlat data sands till servern 110 kir ytterligare analys. En fordel med denna utforingsform är att mangden data som sands mellan enheten 100 pa skidakaren och servern 100 reduceras jamfOrt med om radata fran sensorn sands till servern 110.

Vidare kan en klient eller anvandarterminal 130 anslutas till internetservern 110 for att visualisera resultaten fran analysen. Aven visualiseringen kan goras i realtid. Klienten kan anslutas tradlost och kan anvandas tex av en skidtranare som foljer skidakarens prestanda pa plats genom att visualisera analysresultaten i klientens zo anvandargranssnitt. Pa motsvarande satt kan enheten 100 som bars av skidakaren ocks6 tillhandahalla ett anvandargranssnitt for att visualisera resultaten fran rOrelseanalysen i realtid under Ovningen. Det är ocksa mojligt att anvanda ett ljudgranssnitt for att tillhandahalla aterkopplingsljud till skidakaren baserat pa analysen. Pa detta satt kan skidakaren fà aterkoppling pa ett mer passande salt medan hon aker skidor.

Figur 2a är ett flodesschema som illustrerar metoden for att analysera en periodisk rarelse enligt en utforingsform av uppfinningen. Den periodiska rorelsen kan tex utforas av en manniska eller ett djur, typiskt vid utovande av en sport. I en ufforingsform är den periodiska rorelsen en rorelse hos en langdskidakare.

Metoden innefattar att: 210: Ta emot en tidsserie av data fran en troghetssensor som anvands for 6 537 69 att kanna av den periodiska rorelsen. Sensorn kan vara en accelerometer eller ett gyroskop. En accelerometer kan tillhandahalla data fran den uppfattade rorelsen i olika riktningar eller axlar. En tredimensionell accelerometer skulle tex tillhandahalla data i tre vinkelrata riktningar: Den laterala rorelseriktningen, den vertikala rOrelseriktningen och den horisontella rorelseriktningen. Den mottagna tidsserien av data är armed tredimensionell, och kan erbjuda stod for en ganska detaljerad analys. Emellertid kan en endimensionell accelerometer vara tillrackligt for uppfinningens syfte, beroende pa typen av periodisk rorelse som ska analyseras. Om rorelsen primart sker i den vertikala riktningen, sa kan en endimensionell accelerometer vara tillrackligt for en bra analys. Samplingsfrekvensen hos sensorn maste vara hog nog for att mojliggora en anvandbar analys. I ett utforingsformsexempel som är lampligt for analysen av en skateskidrorelse, är samplingsfrekvensen i storleksordningen ett sampel var tionde millisekund. 220: Dela upp den mottagna tidsserien av data i partitioner, dar varje partition motsvarar en period hos rorelsen. Syftet nned partitioneringen är att fa en datarepresentation av sensordata for varje rorelseperiod, sá att vane rorelseperiod kan analyseras. FOr skidskating är en period typiskt av langden 0.8-1.6 sekunder. 230: Omvandla varje partition till en datarepresentation av en viss storlek. Detta steg kallas tillsammans med partitioneringen av data i perioder aven for forbehandlingen av sensordata, vilken är ovarderlig for mojligheten att gOra en klassificering eller vilken annan analys som heist av datarepresentationen. Forbehandlingen kan dessutom goras i realtid baserat pa strommande data 240: Analysera den periodiska rorelsens datarepresentation.

Figur 2b är ett flodesschema som illustrerar metoden fOr att analysera den periodiska rorelsen enligt en annan ufforingsform av uppfinningen. Metoden innefattar att: 7 537 69 205: Bygga upp en statistisk modell baserat pa datarepresentationen som harletts fran forinsamlade tidsserier av data associerade med 6tnninstone en rorelseklass. Den statistiska modellen anvands for klassificeringen av rorelsen. Genom att fOrinsamla tidsserier av data fran skidakare nar de utfor en sarskild typ av skateteknik, kan modellen byggas upp i forhand. I en utforingsform, dar forbehandlingen och analysen utfors i enheten 100 som bars av skidakaren, kan modellen laddas ner fran en server 110 for att utfora klassificeringen. Emellertid ar en annan mojlig utforingsform att den statistiska modellen byggs upp baserat pa skidakarens egna rorelser. Det kan vara tillrackligt att bygga modellen pa enbart tio perioder fran en periodisk rorelse av en speciell rorelseklass. ModeIlen kan sen anvandas i enheten 100 for ytterligare analys av skidakarens rorelser. I detta scenario kan steget att bygga upp modellen utforas efter steget 210 att ta emot en tidserie av data fran sensorn. FOrbehandlingen av sensordata är darmed ocksa anvandbar for uppbyggandet av en kraftfull statistisk modell. 210: Ta emot tidsserier av data fran en trOghetssensor som kanner av den periodiska rorelsen. Delta motsvarar steg 210 beskrivet ovan med hanvisning till Figur 2a. 220: Dela upp den nnottagna tidsserien av data i partitioner, vilket innefattar fOljande steg: -221: Lagpassfiltrering av den mottagna tidsserien av data for att identifiera granser mellan varje rorelseperiod. Genom att lagpassfiltrera mottaget data med en lag gransfrekvens, kommer perioderna att framtrada tydligare fran filtrerat data. Detta mOjliggor att sla fast nar i tiden en rorelseperiod slutar och den andra borjar baserat pa detta data. I ett alternativt utfOringsformsexempel kan granserna nnellan perioderna identifieras som punkten i tid nar filtrerat data har en hogsta punkt, eller nar det passerar nollpunkten i en riktning (pa vag nerat eller uppat). I exemplet med skidskating ar en period typiskt av langden 0.8-1.6 sekunder som redan namnts 8 537 69 ovan, och en tillrackligt lag gransfrekvens fOr lagpassfiltreringen kan cla vara 1-2 Hz. 222: Partitionering av data enligt de identifierade granserna. Eftersom granserna mellan perioderna har identifierats i steg 221, kan mottaget sensordata skaras upp eller delas upp i perioder i enlighet darmed. 230: Omvandla varje partition innefattande foljande steg: 231: Lagpassfiltrering av data frail varje partition for att reducera brus. I och med detta kommer rorelsens trajektoria att betonas, och bara relevant information sparas. Typiskt anvands en hogre gransfrekvens an den som anvands vid identifiering av perioderna. I exemplet med skidskating med perioder som ar langsammare an 1 Hz, kan en passande gransfrekvens for lagpassfiltreringen vara omkring 5 Hz. -232: Omsampling av lagpassfiltrerad data for att bilda en datarepresentation av en viss storlek. Eftersom en tidsperiod hos en skidakares reirelse inte är konstant i och med variationer i skidakarens prestation tex pa grund av hur brant en skidsparsbacke är, behover man omsampla data som hOr till en period for att fa en datarepresentation av en viss storlek. En annan anledning att utfora omsamplingen är att sensorns samplingsfrekvens kan variera Over tiden sa aft tiden mellan sampel skiljer sig nagot. 240: Analysen av datarepresentationen for den periodiska rorelsen innefattande foljande steg: -241: Klassificering av den period iska rbrelsen i en rOrelseklass baserat pa den statistiska modellen av atminstone en rorelseklass. Om bara enrorelseklassärmodellerad,kanenstatistisk anomalidetektionsnnetod anvandas for att bestamma am en rOrelseperiod tillhor en klass. Med en rorelseklass for varje typ av 9 537 69 rorelse, kan en statistisk maskininlarningsmetod anvandas for att klassificera rorelseperioden. - 242: Bestamning av en parameter som kannetecknar den periodiska rorelsen baserat pa datarepresentationen. Parametern kan innefatta en symmetriniva hos rorelsen, en variabilitet hos rorelsen, eller en amplitud hos rOrelsen. For en skateskidakare kan det vara valdigt viktigt att veta om hon utfor skaterorelsen pa ett asymmetriskt satt, eftersom det kan paverka hennes prestanda. Symmetrinivan kan darfor vara intressant. En viss mangs variabilitet i rOrelsen är ofta efterstravad eftersom en valdigt statisk reirelse kan ge problem med mjOlksyra i musklerna. Emellertid bOr variabiliteten vara kontrollerad och en analys som ger information avseende variabiliteten är darfor fOrdelaktig. En enkel analys av rorelsens amplitud kan vara valdigt intressant for att finna en koppling mellan en rorelses amplitud och prestanda. Klassificeringen av rOrelsen kan behovas innan bestamningen av en parameter som kannetecknar rOrelsen. En parameter sasom variabiliteten hos en rorelse är tex kopplad till en rorelseklass, medan amplituden och symmetrinivan hos rorelsen kan bestammas oavsett rorelseklass. I alternativa utforingsformer, kan stegen att klassificera i 241 och att bestamma en kannetecknande parameter i 242 utforas var for sig. Det kan tex vara intressant att utfora analysen av symmetrinivan direkt i enheten 100 som bars av skidakaren, fOr att kunna aterkoppla resultatet fran den analysen ommedelbart till skidakaren. Klassificeringsanalysen kan a andra sidan utforas pa servern baserat pa fOrbehandlat data som sants fran enheten 100 pa skidakaren, eftersom klassificeringen kraver den statistiska modell/de statistiska modellerna som typiskt lagras pa servern 110, eller i databasen 120 som ar ansluten till servern. 250: Lagra atminstone en av den mottagna tidsserien av data, datarepresentationen, eller information relaterad till analysen av den periodiska rorelsen. Typiskt sa utfors lagringen i en databas 120 ansluten 537 69 till en server 110. Genom att lagra radata, är en analys mojlig att Ora i framtiden. Emellertid sa minskar lagring av endast forbehandlad data kraven pa lagringskapacitet. Det kan ocksa vara intressant att lagra resultat fran analysen sasom en symmetriniva for att kunna folja prestandaandringar far en specifik skidakare. Klassificeringsresultat for en specifik skidakare och ett specifikt skids* kan ocksa vara anvandbart for att jamfora stilen hos olika skidakare, och for en och samma skidakare over tiden.

Det finns flera majliga alternativa utfaringsformer far omvandlingen 230 av en partition. Alternativ kan vara att anvanda en Fouriertransform eller en Principal Component Analysis (PCA)-metod. Utfaringsformen som beskrivits ovan med hanvisning till steg 231 och 232 har visat sig vara lamplig for en periodisk skateskidrarelse.

I utfaringsformer av uppfinningen, innefattar den statistiska modellen en Markovkedja av mutivariata Gaussfordelningar for varje atnninstone en rorelseklass. I men detalj sa betyder detta att sannolikhetsdistributionen Over datarepresentationen X av en rorelseperiod, som bestar av k*n element dar k är antalet sensorer och n är antalet tidssteg i varje period efter omvandlingen, innefattande tex filtrering och omsampling, far varje rarelseklass C är modellerad 20 SOM: p(Xic) = PI c) 1-17.113(tgi_l,[1] dar varjeinnefattar de k sensorvardena som motsvarar tidssteg i, och varje faktor P (5eilC) representeras av en 2*k dimensionell multivariat Gaussfardelning. Parametrarna i Gaussfordelningarna uppskattas fran tidigare 25 insamlat sensordata far vane rorelseklass.

Nar den statistiska modellen som innefattar fler an en rorelseklass anvands for klassificering, kan Bayes teorem anvandas for att rakna ut sannolikheten att en datarepresentation X av en rorelseperiod hor till en specifik rorelseklass C. Sannolikheten beraknas for varje rarelseklass C genom att anvanda: 11 537 69 P(CIX) cc P(X1C)P(C)[2] da'r P(C) ar foregaende sannolikhet for vane klass som typiskt ar antagen att vara densamma for alla klasser, och dar cc star for "proportionell emot". Rorelseklassen med den hogsta sannolikheten valjs sedan.

Nar den statistiska modellen endast innefattar en klass, sags datarepresentationen X av rorelseperioden hOra till modellens klass nar: P(XIC) > E[3] dar E ar en lam pligt vald troskel.

En fordel med att anvanda en statistisk modell som innefattar en Markovkedja av 10 multivariata Gaussfordelningar ar aft modellen ar robust, eftersom Markovkedjan gOr det mOjligt att bryta upp den valdigt hogdimensionella rymden av input i ett antal rymder av input av lagre dimension, och eftersom varje Gaussfordelning inte ar sa kanslig for brus och avvikande varden som en mer komplex icke-linjar model] kan vara. Dessutom ar uppbyggandet av modellen, liksom klassificeringen baserad pa modellen, effektiva ur ett datakapacitetshanseende. Det betyder att det ar mojligt att analysera data fran en tredimensionell accelerometer utan problem med avseende pa datorprestanda.

Figurer 4a-c och figurer 5a-c illustrerar punktdiagram som producerats fran radata som tagits emot av en tredimensionell accelerometer som satts fast pa 20 brostet hos en skidakare som utfor den periodiska rOrelsen hos en definierad skatevaxel. Figurerna 4a-c illustrerar punktdiagrammen fer tre olika skidakare (en skidakare per figur) som anvander skatevaxel 2, och figurerna 5a-c illustrerar punktdiagrammen fOr de tre olika skidakarna som anvander skatevaxel 3. I vane figur visar det vanstra punktdiagrammet accelerationen for den laterala rOrelsen pa x-axeln i diagrammet, och accelerationen for den vertikala rOrelsen pa y-axeln i diagrammet. Det mellersta diagrammet visar accelerationen for den laterala rOrelsen pa x-axeln i diagrammet, och accelerationen for den horisontella fram och tillbaka rOrelsen pa y-axeln. Det hogra diagrammet visar accelerationen for den vertikala rOrelsen pa x-axeln, och accelerationen for den horisontella rOrelsen pa 12 537 69 y-axeln. Namnda rorelseriktningar, dvs de laterala, vertikala, och horisontella rorelseriktningarna är vinkelrata mot varandra.

I vilken som heist av tidigare namnda utforingsformer, kan metoden innefatta visualisering av resultatet fran analysen av datarepresentationen for den 5 periodiska rOrelsen i ett anvandargranssnitt. Antingen skidakaren sjalv eller tranaren som fOljer skidakarens prestanda kan vilja visualisera resultaten frail analysen under ovningen. Resultaten fran analysen kan tex visualiseras i ett grafiskt webanvandargranssnitt. Externa analysprogram sasom Excel eller Mathlab kan ocksa anvandas fOr att se resultaten.

I ett anvandningsfall av foreliggande uppfinning, viii skidakaren se och lagra vilken skateteknik hon anvander vid en given tidpunkt under en Ovning. Hon satter fast enheten 100 pa sitt brOst med ett elastiskt band, som kan vara en smart telefon som innefattar en accelerometer, och en applikation som är anpassad att ta emot sensordata och att utfora fOrbehandlingen och rorelseanalysen. Applikationen startas och skidakaren utfor skatetivningen i sparet. Nar Ovningen ar klar kan resultatet ses pa den smarta telefonens skarm, tex i en grafisk vy. Resultatet kan ocksa ses av skidakarens tranare genom att na resultatet via internetservern. En mer detaljerad analys kan ocksa utforas pa servern, antingen i realtid eller vid ett senare tillfalle.

En utfOringsform av system 30 for att analysera en periodisk rorelse är schematiskt illustrerad i blockdiagrammet i Figur 3a. Systemet 30 innefattar en troghetssensor 305a for att kanna av den periodiska rOrelsen. Sensorn kan vara en accelerometer och/eller ett gyroskop. Systemet är anpassat att ta emot tidsserier av data frail troghetssensorn 305a, och att dela upp de mottagna 25 tidsserierna av data i partitioner, dar varje partition motsvarar en period hos rOrelsen. Systemet 30 är ytterligare anpassat att omvandla varje partition till en datarepresentation av en viss storlek, och att analysera datarepresentationen av den periodiska rOrelsen. Systemet kan i denna utforingsform nnotsvaras av enheten 100 i Figur 1 som skidakaren bar. Systemet 30 kan darmed innefatta en processorkrets 302 som är konfigurerad att ta emot sensor data, utfOra forbehandlingen av data, och analysera forbehandlat data. Systemet kan 13 537 69 alternativt innefatta ett kommunikationsgranssnitt 304 sasom tex ett Bluetoothgranssnitt for att kommunicera med ytterligare en sensornod 305b, liksom aven en sandare 303 ansluten till en eller flera antenner 308 for att skicka sensordata eller analysresultat till en extern server. Systemet kan i vissa utfOringsformer ocksa 5 innefatta en mottag are for att ta emot data fran en extern server.

I ett alternativt satt att beskriva utforingsformen i Figur 3a, innefattar systemet 30 en Central Processing Unit (CPU) som kan besta av en enda enhet eller fler enheter. Dessutom innefattar systemet atminstone en datorprogramprodukt i form av ett icke-volatilt minne sasom ett EEPROM (Electrically Erasable Programmable 10 Read-Only Memory), ett flashminne eller en diskettdrive. Datorprogramprodukten innefattar ett datorprogram som innefattar kod som nar den !Ors pa systemet 30 far CPUn att utfOra procedurerna som beskrivits tidigare med hanvisning till Figur 2a. Med andra ord, nar namnda kod kOrs pa CPUn sa motsvarar den processorkretsen 302 i Figur 3a. 15 En annan utforingsform av systemet 30 är schematiskt illustrerad i blockdiagrammet i Figur 3b. Systemet kan i denna utforingsform motsvara hela systemet 10 i Figur 1. Systemet 30 innefattar en troghetssensor 305a for att karma av den periodiska rorelsen, innefattad i enhet 301 som bars av skidakaren som utfor den periodiska rorelsen. Enheten 301 innefattar ocksa ett 20 kommunikationsgranssnitt 304 for att kommunicera med ytterligare en sensornod 305b. Systemet 30 innefattar ocksa en server 310, och enheten 301 innefattar en sandare 303 ansluten till en antenn 308 for att sanda sensordata, datarepresentationer och/eller analysresultat till servern 310, tex via ett mobilnat. Systemet kan i olika utforingsformer ocksa innefatta en nnottagare for att ta emot data sasom en nerladdad statistisk modell fran den externa servern. En processorenhet 302 pa enheten 301 är anpassad att ta emot tidsserier av data fran troghetssensorn 305a och mojligtvis ocksa fran en extern sensor 305b ansluten via ett kommunikationsgranssnitt 304. Mottagen sensordata kan i en utfOringsform sandas till server 310. En processorkrets 312 pa servern 310 är anpassad att dela upp den mottagna tidsserien av data i partitioner, att omvandla vane partition till en datarepresentation av en viss storlek, och att analysera 14 537 69 datarepresentationen av den periodiska rorelsen. Men sasom redan beskrivits tidigare, kan forbehandlingen av data i en alternativ utforingsform utfOras av processorkretsen 302 i enheten 301, och forbehandlat data kan sandas till servern 310 for analys. Systemet är i utforingsformer ytterligare anpassat att lagra 5 atminstone en av de mottagna tidsserierna av data, datarepresentationen, eller information relaterad till analysen av den periodiska rorelsen. Systemet 30 kan darmed ytterligare innefatta en databas 302 ansluten till servern 310, anpassad att lagra sensordata eller analysresultat. Databasen 320 kan i utforingsformer vara integrerad med servern 310.

I vilken som heist av utfOringsformerna beskrivna ovan med hanvisning till Figurerna 3a-b, kan systemet 30 anpassas till att analysera datarepresentationen av den periodiska rtirelsen genom att klassificera den periodiska rOrelsen i en rarelseklass baserat pa en statistisk modell av atminstone en rorelseklass. Den statistiska modellen kan innefatta en Markovkedja av multivariata 15 Gaussfordelningar for var och en av atminstone en rorelseklass. Systemet kan ytterligare anpassas att bygga upp den statistiska modellen baserat pa datarepresentationer som harletts fran fOrinsamlade tidsserier av data associerade med atminstone en rOrelseklass.

I en ufforingsform är systemet anpassat att analysera datarepresentationen av den periodiska rorelsen genom att bestamma en parameter som kannetecknar den periodiska rorelsen baserat pa datarepresentationen. Parametern kan innefatta en symmetriniva hos rorelsen, en variabilitet hos rorelsen, och/eller en amplitud has rorelsen.

I ytterligare en utforingsform är systemet 30 ytterligare anpassat att visualisera resultatet fran analysen av datarepresentationen av den periodiska rorelsen i ett granssnitt. I ufforingsformen beskriven i Figur 3b, kan systemet 30 ocksa innefatta en klient 330 ansluten till servern, fOr att realisera visualiseringen.

I vilken som helst av utforingsformerna beskrivna ovan med hanvisning till Figur 3a-b, kan systemet 30 anpassas att dela upp den mottagna tidsserien av data genom att lagpassfiltrera den mottagna tidsserien av data for att identifiera 537 69 granserna mellan varje rorelseperiod, och att dela upp data i enlighet med de identifierade granserna. Dessutom kan systemet anpassas att transformera varje partition genom att lagpassfiltrera data fran varje partition fOr att reducera brus, och att omsampla lagpassfiltrerat data for att bilda en datarepresentation av en 5 viss storlek. Systemet kan anpassas att utfora partitioneringen och transformeringen i realtid.

Enheterna och kretsarna som beskrivits ovan med hanvisning till Figurerna 3a-b kan vara logiska enheter, separata fysiska enheter, eller en kombination av bade logiska och fysiska enheter. 10 De ovan namnda och beskrivna utfOringsformerna är endast givna som exempel och ska inte ses som begransande. Andra lOsningar, anvandningar, syften och funktioner inom de medfoljande kravens omfang kan vara mojliga. 16

Claims (19)

537 69 PATENTKRAV 1. En metod for att analysera en periodisk rorelse, dar metoden innefattar att:

1. ta ennot (210) en tidsserie av data Than en troghetssensor som anvands for att kanna av den period iska rorelsen, 2. dela upp (220) den nnottagna tidsserien av data i partitioner, dar varje partition motsvarar en period av den period iska rOrelsen, 3. omvandla (230) varje partition till en datarepresentation med ett visst antal element, dar omvandla innefattar att lagpassfiltrera (231) data fran varje partition for att reducera brus, och att omsampla (232) lagpassfiltrerat data fOr att bilda en datarepresentation med ett visst antal element, och 4. analysera (240) datarepresentationen av den period iska rOrelsen, dar analysera innefattar att klassificera (241) den period iska rorelsen i en rOrelseklass baserat pa en statistisk modell av atminstone en rOrelseklass, dar den statistiska modellen innefattar, for var och en av den atminstone en rorelseklassen, en Markovkedja av nnultivariata Gaussfordelningar.

2. Metoden enligt krav 1, som ytterligare innefattar att: 1. bygga upp (205) den statistiska modellen baserat pa datarepresentationen som harletts fran forinsamlade tidsserier av data associerade med den atminstone en rorelseklassen.

3. Metoden enligt nagot av foregaende krav, dar analysera (240) datarepresentationen av den period iska rorelsen innefattar att: 1. bestamma (242) en parameter som kannetecknar den period iska rOrelsen baserat pa datarepresentationen.

4. Metoden enligt krav 3, dar parametern innefattar atminstone en av: en symmetriniva hos rOrelsen, en variabilitet hos rOrelsen, och en amplitud hos rorelsen.

5. Metoden enligt nagot av foregaende krav, som ytterligare innefattar att visualisera resultatet fran analysen av datarepresentationen av den period iska rOrelsen i ett anvandargranssnitt. 17 537 69

6. Metoden enligt nagot av foregaende krav, dar partitioneringen (220) av den mottagna tidsserien av data innefattar att lagpassfiltrera (221) den mottagna tidsserien av data f6r att identifiera granser mellan varje rorelseperiod, och att dela upp (222) data enligt de identifierade granserna.

7. Metoden enligt nagot av foregaende krav, dar partitioneringen och omvandlingen utfors i realtid.

8. Metoden enligt nagot av foregaende krav, som ytterligare innefattar att lagra (250) atminstone en av den mottagna tidsserien av data, datarepresentationen, eller information relaterad till analysen av den period idska rorelsen.

9. Metoden enligt nagot av foregaende krav, dar en manniska eller ett djur utfor den periodiska rorelsen.

10. Metoden enligt nagot av foregaende krav, dar den periodiska rorelsen är en rorelse hos en langdskidakare.

11. Ett system for att analysera en period isk rorelse, dar systemet innefattar en troghetssensor for att kanna av den periodiska rorelsen, och dar systemet är anpassat att: 1. ta emot en tidsserie av data fran troghetssensorn, 2. dela upp den mottagna tidsserien av data i partitioner, dar varje partition motsvarar en period av den periodiska rorelsen, 3. omvandla varje partition till en datarepresentation med ett visst antal element genom att lagpassfiltrera data fran varje partition f6r att reducera brus, och att omsampla lagpassfiltrerat data for att bilda en datarepresentation med ett visst antal element, och 4. analysera datarepresentationen av den periodiska rOrelsen genom att klassificera den periodiska rorelsen i en rorelseklass baserat pa en statistisk modell av atminstone en rorelseklass, dar den statistiska modellen innefattar, f6r var och en av den atminstone en rorelseklassen, en Markovkedja av multivariata Gaussfordelningar. 18 537 69

12. Systemet enligt krav 11, dar systemet är ytterligare anpassat att bygga upp den statistiska modellen baserat pa datarepresentationen som harletts Iran forinsamlade tidsserier av data associerade nned den atminstone en rorelseklassen.

13. Systemet enligt nagot av krav 11-12, dar systemet är ytterligare anpassat att analysera datarepresentationen av den periodiska rorelsen genom att bestamma en parameter som kannetecknar den periodiska rOrelsen baserat pa datarepresentationen.

14. Systemet enligt krav 13, dar parametern innefattar atminstone en av: en symmetriniva hos rorelsen, en variabilitet hos rarelsen, och en amplitud hos rorelsen.

15. Systemet enligt nagot av krav 11-14, dar systemet är ytterligare anpassat att visualisera resultatet fran analysen av datarepresentationen av den periodiska rorelsen i ett anvandargranssnitt.

16. Systemet enligt nagot av krav 11-15, dar systemet ar anpassat att dela upp den mottagna tidsserien av data genonn att lagpassfiltrera den mottagna tidsserien av data for att identifiera granser mellan varje rorelseperiod, och att dela upp data enligt de identifierade granserna.

17. Systemet enligt nagot av krav 11-16, dar systemet är anpassat att utfora partitioneringen och omvandlingen i realtid.

18. Systemet enligt nagot av krav 11-17, dar systemet är ytterligare anpassat att lagra atminstone en av den mottagna tidsserien av data, datarepresentationen, eller information relaterad till analysen av den period idska rorelsen.

19. Systemet enligt nagot av krav 11-18, dar troghetssensorn är en accelerometer och/eller ett gyroskop. 19 537 69 101 100 102 103 1 DB 1 Server 1 N jhlkgaaaaj jhdfakh hgj