基于自動化檢測技術(shù)的體育運(yùn)動訓(xùn)練誤差分析

吳明明

(仰恩大學(xué) 體育教研部,福建 泉州 362000)

隨著人們健康意識的提高,人們對于體育運(yùn)動越來越重視,更多的人加入到運(yùn)動訓(xùn)練中.隨著人們訓(xùn)練時間的增加,有很大一部分人在運(yùn)動訓(xùn)練后并沒有獲得成效,有些人甚至由于運(yùn)動訓(xùn)練造成傷病,對身體健康造成傷害.分析發(fā)現(xiàn),造成以上后果主要原因有:一是在訓(xùn)練過程中,訓(xùn)練動作或者方法錯誤造成對身體的傷害;二是未按照使用說明正確使用訓(xùn)練設(shè)備,導(dǎo)致設(shè)備對人體造成傷害.

為了降低體育運(yùn)動訓(xùn)練中的誤差,對設(shè)備進(jìn)行多次測量,并引入了光學(xué)測距儀等電子測量工具以減小設(shè)備誤差.在對人的訓(xùn)練方面,教練通過觀察及時糾正動作,或者以視頻記錄后,根據(jù)視頻糾正動作.這些手段雖然可以降低運(yùn)動訓(xùn)練誤差,但是效率低,僅有少部分誤差得到糾正.

自動化檢測技術(shù)屬于人工智能的一種[1-2],該技術(shù)是將計(jì)算機(jī)、統(tǒng)計(jì)學(xué)和神經(jīng)學(xué)等學(xué)科融合在一起的一個綜合類學(xué)科,目的是使計(jì)算機(jī)具備人的識別、決策等能力.目前,該項(xiàng)技術(shù)已經(jīng)在工業(yè)等領(lǐng)域得到了廣泛的應(yīng)用,在體育方面逐漸開始得到應(yīng)用.若將自動化檢測技術(shù)應(yīng)用于體育運(yùn)動訓(xùn)練,可以為訓(xùn)練者在運(yùn)動訓(xùn)練過程中提供幫助,減少訓(xùn)練時可能出現(xiàn)的錯誤,避免出現(xiàn)傷害,有效提高訓(xùn)練效率.因此本文將基于自動化檢測技術(shù)對體育運(yùn)動訓(xùn)練誤差進(jìn)行分析.

1 體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng)

1.1 總體設(shè)計(jì)

為了能夠?qū)φ`差進(jìn)行客觀分析,體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng)以大數(shù)據(jù)為基礎(chǔ)進(jìn)行設(shè)計(jì).該系統(tǒng)的主要組成包括控制器、生理信息檢測系統(tǒng)、運(yùn)動設(shè)備數(shù)據(jù)檢測系統(tǒng)、動作數(shù)據(jù)檢測系統(tǒng)、數(shù)據(jù)庫、通信系統(tǒng)、電源、顯示器和遠(yuǎn)程處理系統(tǒng).該體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng)的結(jié)構(gòu)簡圖如圖1所示.

1.2 生理信息檢測系統(tǒng)

生理信息檢測系統(tǒng)主要用于對使用者的身體狀態(tài)進(jìn)行監(jiān)測,將這些數(shù)據(jù)傳輸至網(wǎng)絡(luò)大數(shù)據(jù),根據(jù)目前使用者的身體狀態(tài)推測體育運(yùn)動訓(xùn)練可以達(dá)到的狀態(tài)及推測未來的可訓(xùn)練程度,為系統(tǒng)進(jìn)行誤差分析做準(zhǔn)備.生理信息檢測系統(tǒng)主要通過在使用者手環(huán)上安裝脈搏、血氧、呼吸、肌電傳感器,實(shí)時采集使用者的身體狀態(tài),在訓(xùn)練過程中及時作出提醒,以防出現(xiàn)意外狀況.這些生理信息通過藍(lán)牙傳遞至手持終端.

脈搏通過測量人體的PPG信號來確定.PPG的檢測是通過光學(xué)手段,即在手環(huán)上安裝兩個光電探頭,其中一個為可恒定發(fā)出綠光的光探頭,發(fā)出的光經(jīng)過人體反射后作用于第二個光敏探頭,該探頭將光信號轉(zhuǎn)化為電信號即為PPG信號.PPG信號中的直流部分為穩(wěn)定信號,交流部分為測量出的人體脈搏.脈搏采集如圖2所示.

圖2 脈搏采集示意圖

血氧是衡量人體代謝狀態(tài)的指標(biāo)之一,血氧高則人體代謝好,血樣低則患心腦血管疾病的風(fēng)險(xiǎn)較高.血氧是通過在手環(huán)內(nèi)部安裝血氧傳感器芯片和光電二極管進(jìn)行監(jiān)測.芯片發(fā)射紅光和紅外光,經(jīng)過人體血液時,氧主要吸收紅光,血紅蛋白主要吸收紅外光,通過計(jì)算發(fā)射和光電二極管接收的光強(qiáng)差即可確定人體的血氧含量.

呼吸是衡量人身體是否健康的重要指標(biāo)之一,其速率和深淺能夠有效地反映出人的情緒、運(yùn)動和生理狀態(tài)等.目前有很多種檢測方法,如熱敏法、氣體流量法等,但是為了便于運(yùn)動,本系統(tǒng)采用阻抗法進(jìn)行測量.在運(yùn)動時,只需要將兩極貼片貼于胸腔兩側(cè),利用兩極之間的電位差即可得到呼吸頻率.呼吸信號的分析模型如圖3所示.

圖3 呼吸信號的分析模型

圖中IAC為外部的交流電信號,ΔRB為人胸腔內(nèi)部的電阻,一般為固定值,ΔR為人在呼吸時的電阻變化.在進(jìn)行呼吸速率和深淺測量時,交流電經(jīng)過保護(hù)電阻RP后施加到人體,經(jīng)過并聯(lián)的電阻和電容后進(jìn)入胸腔,由于胸腔中呼吸變化導(dǎo)致電阻變化,最終的電壓測量值發(fā)生變化,通過變化值即可確定呼吸速率和深淺.

肌電信號反映了人體內(nèi)部肌肉、骨骼和神經(jīng)的運(yùn)動狀態(tài).在手環(huán)內(nèi)部安裝肌電傳感器,內(nèi)部芯片可以監(jiān)測人體運(yùn)動時肌肉系統(tǒng)內(nèi)的模擬電信號,從而監(jiān)測肌肉從松弛到收縮再到松弛過程產(chǎn)生的力.

1.3 運(yùn)動設(shè)備數(shù)據(jù)檢測系統(tǒng)

在進(jìn)行體育運(yùn)動訓(xùn)練時,為了使誤差檢測系統(tǒng)能夠快速地識別訓(xùn)練誤差,首先需要識別體育運(yùn)動訓(xùn)練的方法.若不使用訓(xùn)練設(shè)備,則直接對動作進(jìn)行檢測即可;若使用相關(guān)訓(xùn)練設(shè)備,則需要系統(tǒng)能夠快速識別訓(xùn)練設(shè)備的名稱.本系統(tǒng)采用無線射頻識別(RFID)方式[3],通過使用者手環(huán)上的讀寫器即可快速識別訓(xùn)練設(shè)備的名稱、使用說明以及其他相關(guān)商品信息.將讀取的設(shè)備信息與使用者登錄信息結(jié)合,即可快速分析出使用者目前的訓(xùn)練狀態(tài),同時大數(shù)據(jù)對身體狀態(tài)作出評估后給出相關(guān)訓(xùn)練指導(dǎo)意見[4].

無線射頻識別(RFID)的內(nèi)部裝置主要包括應(yīng)答器、閱讀器和支撐軟件等.無線射頻識別(RFID)的電路原理如圖4所示.

圖4 無線射頻識別(RFID)電路原理圖

在工作時,應(yīng)答器主要通過直流電源供電,首先由振蕩器產(chǎn)生穩(wěn)定的頻率信號,通過編碼器送到調(diào)制器,然后通過載波發(fā)生器處理后以串行碼的形式表示,最后信號耦合至線圈.閱讀器則首先將耦合后的微弱信號進(jìn)行放大,通過解調(diào)器篩選使用信號,信號通過解碼器后利用顯示電路顯示接收到的數(shù)據(jù).

1.4 動作數(shù)據(jù)檢測系統(tǒng)

動作數(shù)據(jù)檢測系統(tǒng)主要是利用手持終端的攝像頭對體育運(yùn)動訓(xùn)練動作進(jìn)行采集,同時調(diào)取數(shù)據(jù)庫中規(guī)范的動作進(jìn)行對比,通過系統(tǒng)設(shè)置的機(jī)器學(xué)習(xí)算法等對動作進(jìn)行分析處理,確定訓(xùn)練誤差,以音頻或視頻的方式在手持終端播放或顯示.

1.5 數(shù)據(jù)庫

數(shù)據(jù)庫用于對系統(tǒng)獲取的所有數(shù)據(jù)進(jìn)行存儲和管理.系統(tǒng)數(shù)據(jù)庫采用表格形式的MySQL數(shù)據(jù)庫,這種數(shù)據(jù)庫采用實(shí)體聯(lián)系圖的方式對數(shù)據(jù)進(jìn)行管理,便于對數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行刪除或增加等操作.對于本誤差檢測系統(tǒng)來說,其實(shí)體元素主要包括管理員、使用者、體育運(yùn)動設(shè)備、生理信息和動作數(shù)據(jù)等,并將每個實(shí)體元素相關(guān)的屬性與實(shí)體元素相關(guān)聯(lián),對數(shù)據(jù)庫進(jìn)行設(shè)置管理.該數(shù)據(jù)庫的實(shí)體聯(lián)系如圖5所示.

圖5 數(shù)據(jù)庫的實(shí)體聯(lián)系圖

1.6 通信系統(tǒng)

通信系統(tǒng)一方面用于將訓(xùn)練數(shù)據(jù)、生理信息數(shù)據(jù)、運(yùn)動設(shè)備數(shù)據(jù)等傳輸至大數(shù)據(jù),將數(shù)據(jù)進(jìn)行存儲、分析和處理,一方面將分析完成后的訓(xùn)練誤差實(shí)時傳輸至使用者.考慮到使用者主要以手持終端進(jìn)行訓(xùn)練,因此手持終端主要采用無線網(wǎng)將使用者的相關(guān)數(shù)據(jù)傳輸至網(wǎng)絡(luò)數(shù)據(jù)庫;生理信息數(shù)據(jù)以及運(yùn)動設(shè)備數(shù)據(jù)通過使用者佩戴手環(huán),采用藍(lán)牙將采集到的數(shù)據(jù)傳輸至手持終端.

在使用無線網(wǎng)傳輸數(shù)據(jù)時,手持終端按照網(wǎng)絡(luò)協(xié)議向服務(wù)器發(fā)送數(shù)據(jù)轉(zhuǎn)化的字符串,網(wǎng)絡(luò)可以實(shí)時對服務(wù)器進(jìn)行訪問;同時網(wǎng)絡(luò)可以通過服務(wù)器向手持終端發(fā)送數(shù)據(jù)[5-6].在使用藍(lán)牙進(jìn)行數(shù)據(jù)傳輸時,選擇藍(lán)牙2.0協(xié)議、HC06通信模塊.

1.7 電源、顯示器和遠(yuǎn)程處理系統(tǒng)

對于誤差檢測系統(tǒng)來說,主要使用的硬件設(shè)備為手環(huán)和手持終端,通過及時充電即可使用.

系統(tǒng)的顯示器即為手持終端的屏幕,或者也可以將其投影至其他顯示器.

遠(yuǎn)程處理系統(tǒng)是指當(dāng)使用者在體育運(yùn)動訓(xùn)練過程中產(chǎn)生疑問時,可以通過網(wǎng)絡(luò)與專業(yè)教練進(jìn)行視頻交流,給出體育訓(xùn)練相關(guān)指導(dǎo).

2 體育運(yùn)動訓(xùn)練目標(biāo)檢測算法設(shè)計(jì)

在對體育運(yùn)動訓(xùn)練進(jìn)行誤差分析前,首先需要對采集的視頻數(shù)據(jù)進(jìn)行處理,準(zhǔn)確提取使用者的訓(xùn)練姿態(tài)數(shù)據(jù).由于在進(jìn)行動作數(shù)據(jù)時,視頻中存在的復(fù)雜背景、其他無關(guān)人員等會對動作姿態(tài)的提取造成干擾,因此需要對視頻進(jìn)行處理,其后才能提取訓(xùn)練姿態(tài)數(shù)據(jù).根據(jù)體育運(yùn)動訓(xùn)練針對的運(yùn)動不同,可以分為單目標(biāo)識別和多目標(biāo)識別.其中單目標(biāo)識別主要用于單個人的運(yùn)動,多目標(biāo)識別則針對籃球、足球等多人的運(yùn)動訓(xùn)練.

2.1 視頻圖像處理

在對視頻圖像進(jìn)行目標(biāo)識別之前,對視頻圖像進(jìn)行預(yù)處理,以降低視頻圖像中可能存在的噪聲,使圖像清晰,提高目標(biāo)識別的準(zhǔn)確率.視頻圖像的處理流程如圖6所示.

圖6 視頻圖像的處理流程圖

對視頻圖像進(jìn)行灰度化處理是為了提升誤差分析的速率、減小數(shù)據(jù)庫的內(nèi)存,處理方法采用加權(quán)平均值法,即對各彩色進(jìn)行權(quán)值處理后的平均值,計(jì)算公式如下:

R=G=B=(QRR+QGG+QBB)/3,

式中,QR、QG和QB分別為紅色、綠色和藍(lán)色的權(quán)值處理后的結(jié)果.其后,對灰度化處理后的圖像進(jìn)行消除噪聲處理,處理方式采用處理速度快且效率高的均值濾波器,按式(1)進(jìn)行計(jì)算:

(1)

式中:Q為圖像中的除(p,q)外所有的點(diǎn)坐標(biāo)集合;m為點(diǎn)坐標(biāo)的數(shù)量.最后,需要將圖像顏色空間RGB轉(zhuǎn)變?yōu)橛?jì)算機(jī)可識別的HSV空間,轉(zhuǎn)換公式如下:

圖像處理完成后,對圖像中的目標(biāo)進(jìn)行識別.

2.2 單目標(biāo)識別檢測算法設(shè)計(jì)

對于單目標(biāo)的識別,采用兩幀差分法和背景差分法結(jié)合,取各算法的優(yōu)點(diǎn)對單目標(biāo)進(jìn)行識別.視頻圖像中的單目標(biāo)識別流程如圖7所示.

圖7 視頻圖像中的單目標(biāo)識別流程圖

在進(jìn)行視頻圖像處理時,首先選取圖像的第k幀和k-1幀圖像,對這兩幀圖像進(jìn)行差分處理,如式(2)所示:

(2)

式中:C1(x,y)為視頻圖像二值差分處理后的結(jié)果;Sk(x,y)和Sk-1(x,y)分別為第k和k-1幀的圖像;H1為視頻圖像的k-1和k幀的灰度閥值.同時,設(shè)定圖像的最大閥值為Hm,若C1(x,y)的結(jié)果超過最大閥值,則對圖像的背景進(jìn)行二值差分處理,如式(3)所示:

(3)

式中:C2(x,y)為視頻圖像的背景進(jìn)行二值差分處理后的結(jié)果;Bk(x,y)為第k幀圖像的背景;H2為視頻圖像背景進(jìn)行二值差分處理的灰度閥值.視頻圖像和背景的灰度閥值H1和H2的選擇對圖像的處理結(jié)果有很大的影響.

按照經(jīng)驗(yàn)選取閥值的傳統(tǒng)方法對圖像的限制較多,處理效果不理想.本文設(shè)計(jì)了自適應(yīng)的方法確定這兩個閥值.以閥值H1的選取為例,在第k和k-1幀視頻圖像進(jìn)行差分處理后的結(jié)果中,其背景區(qū)域未進(jìn)行差分處理,從中選取n×n尺寸的圖像塊,該圖像塊灰度分布規(guī)律符合高斯分布,可以采用該圖像塊的灰度均值和方差代表未進(jìn)行差分處理的目標(biāo)區(qū)域圖像,進(jìn)而求得整個目標(biāo)區(qū)域的閥值H1.該圖像塊的灰度均值μk和方差σk2計(jì)算方式如下:

則目標(biāo)區(qū)域的閥值H1為:

俄羅斯傳統(tǒng)上專用于搭載巡航導(dǎo)彈的潛艇艦隊(duì)主要執(zhí)行反艦任務(wù)，特別是可直接打擊北約的航母戰(zhàn)斗群。目前正逐步向?qū)﹃懝裟芰D(zhuǎn)型。

H1k=βσk+μk,

視頻圖像背景區(qū)域閥值H2的計(jì)算方法與H1相同.

第三步為對圖像和背景的灰度處理結(jié)果進(jìn)行相與運(yùn)算,如式(4)所示:

(4)

式中:X(x,y)為相與運(yùn)算后初步確定的單目標(biāo)運(yùn)動區(qū)域.但是,在該區(qū)域內(nèi),除了包含需要識別的單目標(biāo)外,還可能由于噪聲的影響將樹枝等背景誤判為識別目標(biāo),為了降低外界因素如噪聲等的影響,還需要對獲得的視頻圖像進(jìn)行形態(tài)學(xué)處理,包括膨脹、腐蝕、開啟和閉合處理[7-8].

最后采用投影法確定單目標(biāo)的外界矩形框,其中心點(diǎn)位置即為目標(biāo)位置,坐標(biāo)(x0,y0)為:

x0=(x2-x1)/2,

y0=(y2-y1)/2,

式中,(x2,y2)和(x1,y1)分別為外界矩形框的坐標(biāo).

2.3 多目標(biāo)識別檢測算法設(shè)計(jì)

對于視頻圖像中多目標(biāo)的識別,可以采用卷積神經(jīng)網(wǎng)絡(luò).首先對預(yù)處理后的視頻圖像的有效特征進(jìn)行卷積處理,處理方式如式(5)所示:

(5)

式中,Mm為輸入網(wǎng)絡(luò)的視頻圖像特征集合.其后對處理后的特征利用下采樣函數(shù)進(jìn)行激活,如式(6)所示:

(6)

式中:down()為下采樣函數(shù);β和b分別為與輸出特征對應(yīng)的乘性偏執(zhí)系數(shù)和加性偏執(zhí)系數(shù).為了輸出最優(yōu)質(zhì)的的視頻圖像,需要針對圖像進(jìn)行學(xué)習(xí),學(xué)習(xí)后輸出的視頻圖像如式(7)所示:

(7)

式中,αmn為第m個圖像輸出時的權(quán)值.權(quán)值需要滿足以下條件:

為了加強(qiáng)對權(quán)值的約束,將權(quán)值轉(zhuǎn)化為softmax函數(shù),如式(8)所示:

(8)

式中,cmn為每個權(quán)值的狀態(tài)權(quán)值.根據(jù)實(shí)際的要求,網(wǎng)絡(luò)更注重對特征處理后的更新,同時為了便于計(jì)算和應(yīng)用,cmn中的m可以去掉.視頻圖像對cm求偏導(dǎo),可以確定圖像的專有特性,求解如式(9)所示:

(9)

通過這種方式可以得到優(yōu)質(zhì)的視頻圖像.其后,針對視頻圖像建立二進(jìn)制分類器,對視頻圖像進(jìn)行訓(xùn)練,同時根據(jù)視頻圖像的變化更新分類器.分類器對視頻圖像的處理如下式所示:

通過以上處理,可以識別視頻圖像的多目標(biāo),并確定多目標(biāo)的質(zhì)心.

3 運(yùn)動訓(xùn)練姿態(tài)檢測仿真分析

3.1 評價(jià)指標(biāo)的確定

為了對體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng)進(jìn)行定量評價(jià),選擇采用召回率和精確率作為評價(jià)指標(biāo),召回率R和精準(zhǔn)率P的計(jì)算分別如下:

式中:Sc和Sf分別為識別出的正確和錯誤動作數(shù)量;Sw為未識別出來的錯誤動作數(shù)量.一般是召回率和精確率越高,則錯誤動作識別效果越好.

3.2 仿真實(shí)驗(yàn)和結(jié)果

為了驗(yàn)證該體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng)的性能,采用2021年澳大利亞網(wǎng)球公開賽、2021年中國網(wǎng)球巡回賽昆明站、蘇迪曼杯2021年比賽的視頻作為實(shí)驗(yàn)數(shù)據(jù).首先采用人工識別的方式統(tǒng)計(jì)錯誤的技術(shù)動作數(shù)量,結(jié)果如表1所列.

表1 人工識別錯誤技術(shù)動作數(shù)量

針對以上人工識別結(jié)果,利用交叉驗(yàn)證的方法形成仿真實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集.然后,分別采用該系統(tǒng)、姿勢序列有限狀態(tài)機(jī)識別的方法以及關(guān)鍵幀的人體動作識別方法分別對比賽視頻的錯誤技術(shù)動作進(jìn)行識別,計(jì)算以上3種識別方法的召回率和精確率.結(jié)果如圖8(a)和圖8(b)所示.

(a)召回率

(b)精準(zhǔn)率圖8 網(wǎng)球比賽錯誤動作識別結(jié)果

由圖8可知,當(dāng)錯誤技術(shù)動作數(shù)量低于100次時,3種方法的召回率基本一致;高于100次時,本系統(tǒng)度對錯誤技術(shù)動作識別的召回率呈上升趨勢,且召回率遠(yuǎn)高于其他兩種識別方法.3種方法的精確率均隨著錯誤技術(shù)動作數(shù)量的增加呈下降趨勢,但是本系統(tǒng)的精確率下降緩慢,且始終高于其他兩種方法.綜上所述,本系統(tǒng)對錯誤技術(shù)動作識別的效果良好.

4 結(jié)論

針對目前人們糾正體育運(yùn)動訓(xùn)練誤差的手段效率低、誤差糾正效果較差的問題,本文利用自動化檢測技術(shù)設(shè)計(jì)了體育運(yùn)動訓(xùn)練誤差檢測系統(tǒng),通過對訓(xùn)練過程進(jìn)行自動測量,實(shí)現(xiàn)了對訓(xùn)練過程誤差的測量和分析.該系統(tǒng)與其他錯誤動作識別方法相比,精準(zhǔn)率更高.

但是,目前該系統(tǒng)還未在多人訓(xùn)練過程如足球和籃球運(yùn)動中進(jìn)行試驗(yàn)和應(yīng)用,因此在后續(xù)的工作中可以考慮將其進(jìn)行改進(jìn),嘗試在多人運(yùn)動比賽中得到應(yīng)用.