TWI664550B - 高爾夫球運動員揮桿姿勢檢測系統 - Google Patents

Abstract

一種高爾夫球運動員揮桿姿勢檢測系統，包含一複數穿戴式裝置、一電子裝置、一影像擷取裝置、一顯示裝置、一獲得一錯誤姿勢參數的第一處理伺服器，及一第二處理伺服器。該第二處理伺服器接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數、該球桿類型參數，及該錯誤姿勢參數為一待檢測本體論資料架構，連同一個人化本體論資料架構輸入至一霍夫曼樹模型中比對，以輸出一檢測結果。其中該第二處理伺服器執行一增權式不平衡學習演算法，以計算出該個人化本體論資料架構。

Description

高爾夫球運動員揮桿姿勢檢測系統

高爾夫球運動員揮桿姿勢檢測系統

高爾夫球是一種注重身體協調性與平衡性的高技巧運動，運動員的揮桿姿勢與身體律動為非常重要的議題，高爾夫球揮桿動作可分為預備期、上桿期、下桿期、加速期、送桿期與收桿期共六個階段，每階段均易有姿勢不正確的問題產生，而不標準的揮桿姿勢易對身體產生運動傷害。

建置電腦系統實現運動員輔助訓練服務一直是容易規劃但較難進行的研究主題。因考量運動員的測量技術需穿戴大量感測器進行測量，或採用圖像分析法分析運動員的運動動作，造成操作上許多不便。運動員利用穿戴式感測器蒐集運動期間的感測數據，對數據進行分析與推論，提供運動員客製化服務。然而每位運動員習慣與標準不同，故進行數據分析與推論過程中，無法提供運動員較完善的訓練任務。於是開始採用大數據技術，蒐集不同運動員在運動期間的感測數據，藉此獲得完善數據進行分析與推論，提供適合運動員的訓練任務。運動員的訓練任務服務約略可分為：一、個人感測分析法：主要利用穿戴式感測器安裝於運動員身上或運動器材上，由裝置捕捉運動員在運動過程中的相關數值，或利用圖片或影像方法來記錄高爾夫球運動員於揮桿過程中的動作，再透過動作分 析比對運動模型的門檻值，藉此推論出運動員的訓練任務成果。二、大眾感測分析法：主要蒐集來自不同運動員在運動期間的感測數據，將蒐集的數據進行分析、分類以及推論，推論結果將幫助運動員矯正錯誤或協助初學者學習，藉此實現適合運動員的訓練任務。

不論是個人或大眾感測分析法，現有技術對於資料分析的計數手段主要可分為輕量化分析與巨量化分析兩種型態。其中，輕量化分析透過穿戴式感測設備針對運動員捕捉揮桿動作，藉此獲得相關運動因子，根據獲得的相關因子進行分析與推論，建構起個製化運動模型，為運動員提供無所不在的個性化服務。但是，輕量化分析雖有考慮到運動員動作之個製化、動作協調性與即時性等議題，但往往缺乏稀少性與合理性。

再者，巨量化分析從各種渠道蒐集所需相關資訊，作為資料探勘、推論與分析的基礎，協助使用者獲得感興趣的相關資訊。雖然有考慮到使用者之動作協調性與完整性等議題，但往往缺乏客製化與稀少性。

如上所述，無倫是個人或大眾感測分析法，由於錯誤揮桿動作的資料相對稀少，若要檢測出不正確姿勢以避免運動傷害，現有技術仍有所不足。

因此，本發明之目的，即在提供一種可檢測到高爾夫球運動員揮桿的錯誤姿勢，用以預防運動傷害的揮桿姿勢檢測系統。

於是，本發明之高爾夫球運動員揮桿姿勢檢測系統，適用於檢測高爾夫球運動員的揮桿姿勢，該檢測系統包含一複數穿戴式裝置1、一電子裝置2、一影像擷取裝置3、一顯示裝置4、一第一處理伺服器5，及一 第二處理伺服器6。

該複數穿戴式裝置擷取一手部三軸運動資料及一腳部三軸運動資料。

該電子裝置連線該等穿戴式裝置，用以獲得該手部三軸運動資料及該腳部三軸運動資料，並接收一運動時間、一喜好參數，及一球桿類型參數，且擷取一腰部三軸運動資料。

該影像擷取裝置包括一複合鏡頭攝影機，用以擷取到一人體骨架資料。

該顯示裝置包括一螢幕單元。

該第一處理伺服器連線至該電子裝置、該影像擷取裝置及該顯示裝置，該第一處理伺服器執行一倒傳遞類神經網路模型，並接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數，及該球桿類型參數，輸入至該倒傳遞類神經網路模型，以獲得一錯誤姿勢參數。

該第二處理伺服器連線至該第一處理伺服器，儲存一個人化本體論資料架構及一霍夫曼樹模型，並接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數、該球桿類型參數，及該錯誤姿勢參數為一待檢測本體論資料架構，該第二處理伺服器依據該個人化本體論資料架構及該待檢測本體論資料架構，輸入至該霍夫曼樹模型中比對，以輸出一檢測結果，該檢測結果傳送至該顯示裝置，並於該螢幕單元顯示該檢測結果。

其中，該第二處理伺服器執行一增權式不平衡學習演算法， 輸入一原始手部三軸運動資料、一原始腳部三軸運動資料、一原始腰部三軸運動資料、一原始人體骨架資料、一原始運動時間、一原始喜好參數、一原始球桿類型參數，及一原始錯誤姿勢參數，以計算出該個人化本體論資料架構。

本發明的功效在於，利用該第二處理伺服器執行的增權式不平衡學習演算法計算出更合理化的檢測結果，即使收集到的錯誤揮桿姿勢稀少，仍能檢測出問題姿勢，並在顯示裝置上供高爾夫球運動員查看，達成預防運動傷害的功效。

2‧‧‧複數穿戴式裝置

2‧‧‧電子裝置

3‧‧‧影像擷取裝置

31‧‧‧複合鏡頭攝影機

32‧‧‧電腦主機

4‧‧‧顯示裝置

41‧‧‧螢幕單元

5‧‧‧第一處理伺服器

6‧‧‧第二處理伺服器

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一系統方塊圖，說明本發明之高爾夫球運動員揮桿姿勢檢測系統；圖2是一本體論資料架構的示意圖，說明本發明之高爾夫球運動員揮桿姿勢檢測系統的實施例中，多個參數的集合；及圖3是一霍夫曼樹的示意圖，說明本發明之高爾夫球運動員揮桿姿勢檢測系統的實施例中，計算出該檢測結果。

參閱圖1，本發明高爾夫球運動員揮桿姿勢檢測系統的實施例，適用於檢測一高爾夫球運動員的揮桿姿勢。該檢測系統包含一複數穿戴式裝置1、一電子裝置2、一影像擷取裝置3、一顯示裝置4、一第一處理伺服器5，及一第二處理伺服器6。

該等穿戴式裝置1在本實施例中為二個，供高爾夫球運動員分別穿戴在手腕及腳踝上，當高爾夫球運動員做出揮桿姿勢時，擷取到一手部三軸運動資料及一腳部三軸運動資料。以該手部三軸運動資料為例，該穿戴式裝置1可取得三個方向(X軸、Y軸、Z軸)的重力加速度數值(G值)，如X軸是3.5G、Y軸是3.1G、Z軸是2.9G。

該電子裝置2在本實施例為一智慧型手機，可透過藍牙通訊介面連線該等穿戴式裝置1，用以獲得該手部三軸運動資料及該腳部三軸運動資料。同時，使用者可操作該電子裝置2執行的應用程式來輸入，使該電子裝置2接收一運動時間(如：較長、適當，或較短)、一喜好參數(如：左手桿或右手桿)，及一球桿類型參數(如：代碼：「發球桿」或「木桿」)。由於高爾夫球運動員會將該電子裝置2配戴在腰部，而且現有的智慧型手機均配置有重力感測器，因此該電子裝置2還可以擷取到一腰部三軸運動資料。

該影像擷取裝置3包括一複合鏡頭攝影機31及一執行Kinect應用程式的電腦主機32，其中，該複合鏡頭攝影機31是一現有的Kinect攝影機。該複合鏡頭攝影機31取得高爾夫球運動員動態的複數影像後，經由該電腦主機32執行的Kinect應用程式計算出一人體骨架資料。其中，該人體骨架資料是紀錄人體四肢關節(點)、身體軀幹(線)、四肢(線)座標的組合資料，已普遍用於人體動作姿勢的偵測。

該顯示裝置4在本實施例中為一顯示器，包括一螢幕單元41用於顯示畫面。

該第一處理伺服器5連線至該電子裝置2、該影像擷取裝置3 及該顯示裝置4。該第一處理伺服器5執行一倒傳遞類神經網路(Back Propagation Neural Network)模型，並接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數，及該球桿類型參數，輸入至該倒傳遞類神經網路模型，以獲得一錯誤姿勢參數。

其中，該錯誤姿勢參數是來自於下列表一的複數錯誤姿勢資料，由編號EP01至EP18共計十八種：

上述之倒傳遞類神經網路模型是現有的其中一種類神經網路模型，包括一輸入層(Input Layer)、一隱藏層(Hidden Layer)及一輸出層(Output Layer)。該第一處理伺服器5將該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數，及該球桿類型參數輸入至該倒傳遞類神經網路模型的輸入層，經該隱藏層計算後，從該等錯誤姿勢資料中，於該輸入層輸出其中一種錯誤姿勢資料為該錯誤姿勢參數。

該第二處理伺服器6透過網際網路連線至該第一處理伺服器5，並儲存一對應至該高爾夫球運動員的個人化本體論(Ontology)資料架構及一霍夫曼樹(Huffman Tree)模型。特別說明的是，所謂的「本體論資料架構」如圖2所示即是多個參數以樹狀分類的集合，在本實施例中，本體論資料架構包括動態事件和固定事件，其中，動態事件則具有手部三軸運動資料、腳部三軸運動資料、腰部三軸運動資料、錯誤姿勢參數，及人體骨架資料；固定事件則具有運動時間、喜好參數，及球桿類型參數。而霍夫曼樹是一種如圖3所示現有的特殊二元樹，在本實施例中，一待檢測本體論資料架構及該個人化本體論資料架構在霍夫曼樹中比對，可比一般的二元樹更快速地尋找到對應該待檢測本體論資料架構的使用者運動狀態，例如在霍夫曼樹的末端葉節點所紀錄的「腰過於用力」、「雙手未打直」等，及其上一層葉節點記錄的「肌肉拉傷」、「韌帶拉傷」等。

在本實施例中，該第二處理伺服器6執行一增權式不平衡學習(Weight-added Class-imbalance Learning)演算法，該增權式不平衡學習演算法包括一處理階段、一取特徵階段、一建立候選階段，及一整合階段。 從該高爾夫球運動員先前的揮桿姿勢所獲得的一原始手部三軸運動資料、一原始腳部三軸運動資料、一原始腰部三軸運動資料、一原始人體骨架資料、一原始運動時間、一原始喜好參數、一原始球桿類型參數，及一原始錯誤姿勢參數輸入該增權式不平衡學習演算法中，依序地經過該處理階段、該取特徵階段、該建立候選階段，及該整合階段，計算出該個人化本體論資料架構。

在該增權式不平衡學習演算法的該處理階段中，是輸入該原始手部三軸運動資料、該原始腳部三軸運動資料、該原始腰部三軸運動資料、該原始人體骨架資料、該原始運動時間、該原始喜好參數、該原始球桿類型參數，及該原始錯誤姿勢參數，先利用一現有的AND(Automatic Neighborhood size Determination)演算法，再依據一現有的SMOTE(Synthetic Minority Over-sampling Technique)演算法計算出一候選推論手部三軸運動資料、一候選推論腳部三軸運動資料、一候選推論腰部三軸運動資料、一候選推論人體骨架資料、一候選推論運動時間、一候選推論喜好參數、一候選推論球桿類型參數，及一候選推論錯誤姿勢參數。

在該增權式不平衡學習演算法的該取特徵階段中，是依據一現有的快速元件分析(Fast Independent Component Analysis，FastICA)演算法，自該原始手部三軸運動資料及該候選推論手部三軸運動資料中取其中一者為一特徵手部三軸運動資料，自該原始腳部三軸運動資料及該候選推論腳部三軸運動資料中取其中一者為一特徵腳部三軸運動資料，自該原始腰部三軸運動資料及該候選推論腰部三軸運動資料中取其中一者為一特徵腰部三軸運動資料，自該原始人體骨架資料及該候選推論人體骨架資料中 取其中一者為一特徵人體骨架資料，自該原始運動時間及該候選推論運動時間中取其中一者為一特徵運動時間，自該原始喜好參數及該候選推論喜好參數中取其中一者為一特徵喜好參數，自該原始球桿類型參數及該候選推論球桿類型參數中取其中一者為一特徵球桿類型參數，自該原始錯誤姿勢參數及該候選推論錯誤姿勢參數中取其中一者為一特徵錯誤姿勢參數。

在該增權式不平衡學習演算法的該建立候選階段中，是將該特徵手部三軸運動資料、該特徵腳部三軸運動資料、該特徵腰部三軸運動資料、該特徵人體骨架資料、該特徵運動時間、該特徵喜好參數、該特徵球桿類型參數，及該特徵錯誤姿勢參數輸入至複數假說演算法中，分別計算出複數假說本體論資料架構。在本實施例中，該等假說演算法有三種，分別是一現有的並改良自Gaussian-binary RBMs(Restricted Boltzmann Machines)的Sparse RBMs演算法、一基於密度的OPTICS(Ordering Points to Identify the Clustering Structure)群聚演算法，及一將各資料的特徵點群聚的聚類(Affinity Propagation)演算法。三種假說演算法可分別計算出各自的假說本體論資料架構。

在該增權式不平衡學習演算法的該整合階段中，是包括一具有一整合輸入層(Input Layer)、一整合隱藏層(Hidden Layer)及一整合輸出層(Output Layer)的排序學習(Learn to Rank，LTR)類神經網路模型，而該排序學習類神經網路模型是現有的其中一種類神經網路模型。該等假說本體論資料架構輸入至該排序學習類神經網路模型的輸入層，經該隱藏層計算後，輸出該個人化本體論資料架構。

當高爾夫球運動員做出揮桿動作時，該第二處理伺服器6透 過該第一處理伺服器5接收即時的該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數、該球桿類型參數，及該錯誤姿勢參數為一待檢測本體論資料架構，而該第二處理伺服器6依據該個人化本體論資料架構及該待檢測本體論資料架構，輸入至該霍夫曼樹模型中比對，以輸出一檢測結果，例如，該檢測結果為末端葉節點所記錄的「腰過於用力」及其上一層葉節點所紀錄之「肌肉拉傷」。而該檢測結果會透過該第一處理伺服器5傳送至該顯示裝置4，並於該螢幕單元41顯示該檢測結果，在本實施例中，該螢幕單元41顯示的是「揮桿姿勢檢測：腰過於用力。請注意！可能造成肌肉拉傷。」，供高爾夫球運動員查看檢測結果。

綜上所述，本發明高爾夫球運動員揮桿姿勢檢測系統，即使收集到的錯誤揮桿姿勢稀少，但是仍能夠過第二處理伺服器6的增權式不平衡學習演算法，檢測出高爾夫球運動員的揮桿動作，進而發現問題姿勢，避免可能發生的運動傷害。

Claims (7)

1. 一種高爾夫球運動員揮桿姿勢檢測系統，適用於檢測一高爾夫球運動員的揮桿姿勢，該檢測系統包含：一複數穿戴式裝置，擷取一手部三軸運動資料及一腳部三軸運動資料；一電子裝置，連線該等穿戴式裝置，用以獲得該手部三軸運動資料及該腳部三軸運動資料，並接收一運動時間、一喜好參數，及一球桿類型參數，且擷取一腰部三軸運動資料；一影像擷取裝置，包括一複合鏡頭攝影機，用以擷取到一人體骨架資料；一顯示裝置，包括一螢幕單元；一第一處理伺服器，連線至該電子裝置、該影像擷取裝置及該顯示裝置，該第一處理伺服器執行一倒傳遞類神經網路模型，並接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數，及該球桿類型參數，輸入至該倒傳遞類神經網路模型，以獲得一錯誤姿勢參數，其中，該倒傳遞類神經網路模型包括一輸入層、一隱藏層及一輸出層，該第一處理伺服器將該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數，及該球桿類型參數輸入至該倒傳遞類神經網路模型的輸入層，經該隱藏層計算後，從複數錯誤姿勢資料中，於該輸入層輸出其中一種錯誤姿勢資料為該錯誤姿勢參數；及一第二處理伺服器，連線至該第一處理伺服器，儲存一個人化本體論資料架構及一霍夫曼樹模型，並接收該手部三軸運動資料、該腳部三軸運動資料、該腰部三軸運動資料、該人體骨架資料、該運動時間、該喜好參數、該球桿類型參數，及該錯誤姿勢參數為一待檢測本體論資料架構，該第二處理伺服器依據該個人化本體論資料架構及該待檢測本體論資料架構，輸入至該霍夫曼樹模型中比對，以輸出一檢測結果，該檢測結果傳送至該顯示裝置，並於該螢幕單元顯示該檢測結果；其中，該第二處理伺服器執行一增權式不平衡學習演算法，輸入一原始手部三軸運動資料、一原始腳部三軸運動資料、一原始腰部三軸運動資料、一原始人體骨架資料、一原始運動時間、一原始喜好參數、一原始球桿類型參數，及一原始錯誤姿勢參數，以計算出該個人化本體論資料架構。
2. 根據申請專利範圍第1項之高爾夫球運動員揮桿姿勢檢測系統，其中，該增權式不平衡學習演算法包括一處理階段、一取特徵階段、一建立候選階段，及一整合階段，而該原始手部三軸運動資料、該原始腳部三軸運動資料、該原始腰部三軸運動資料、該原始人體骨架資料、該原始運動時間、該原始喜好參數、該原始球桿類型參數，及該原始錯誤姿勢參數輸入該增權式不平衡學習演算法中，依序地經過該處理階段、該取特徵階段、該建立候選階段，及該整合階段，計算出該個人化本體論資料架構。
3. 根據申請專利範圍第2項之高爾夫球運動員揮桿姿勢檢測系統，其中，該增權式不平衡學習演算法的該處理階段，是輸入該原始手部三軸運動資料、該原始腳部三軸運動資料、該原始腰部三軸運動資料、該原始人體骨架資料、該原始運動時間、該原始喜好參數、該原始球桿類型參數，及該原始錯誤姿勢參數，計算出一候選推論手部三軸運動資料、一候選推論腳部三軸運動資料、一候選推論腰部三軸運動資料、一候選推論人體骨架資料、一候選推論運動時間、一候選推論喜好參數、一候選推論球桿類型參數，及一候選推論錯誤姿勢參數。
4. 根據申請專利範圍第3項之高爾夫球運動員揮桿姿勢檢測系統，其中，該增權式不平衡學習演算法的該取特徵階段，是自該原始手部三軸運動資料及該候選推論手部三軸運動資料中取其中一者為一特徵手部三軸運動資料，自該原始腳部三軸運動資料及該候選推論腳部三軸運動資料中取其中一者為一特徵腳部三軸運動資料，自該原始腰部三軸運動資料及該候選推論腰部三軸運動資料中取其中一者為一特徵腰部三軸運動資料，自該原始人體骨架資料及該候選推論人體骨架資料中取其中一者為一特徵人體骨架資料，自該原始運動時間及該候選推論運動時間中取其中一者為一特徵運動時間，自該原始喜好參數及該候選推論喜好參數中取其中一者為一特徵喜好參數，自該原始球桿類型參數及該候選推論球桿類型參數中取其中一者為一特徵球桿類型參數，自該原始錯誤姿勢參數及該候選推論錯誤姿勢參數中取其中一者為一特徵錯誤姿勢參數。
5. 根據申請專利範圍第4項之高爾夫球運動員揮桿姿勢檢測系統，其中，該增權式不平衡學習演算法的該建立候選階段，是將該特徵手部三軸運動資料、該特徵腳部三軸運動資料、該特徵腰部三軸運動資料、該特徵人體骨架資料、該特徵運動時間、該特徵喜好參數、該特徵球桿類型參數，及該特徵錯誤姿勢參數輸入至複數假說演算法中，計算出複數假說本體論資料架構。
6. 根據申請專利範圍第5項之高爾夫球運動員揮桿姿勢檢測系統，其中，該增權式不平衡學習演算法的該整合階段包括一具有一整合輸入層、一整合隱藏層及一整合輸出層的排序學習類神經網路模型，該等假說本體論輸入至該排序學習類神經網路模型的輸入層，經該隱藏層計算後，從該等假說本體論中，輸出該個人化本體論資料架構。
7. 根據申請專利範圍第1項之高爾夫球運動員揮桿姿勢檢測系統，其中，該影像擷取裝置更包括一執行Kinect應用程式的電腦主機，而該複合鏡頭攝影機是一Kinect攝影機，該複合鏡頭攝影機取得複數影像後，經由該電腦主機計算出該人體骨架資料。