申请/专利权人：东南大学

申请日：2021-11-24

公开（公告）日：2024-06-14

公开（公告）号：CN114187654B

主分类号：G06V40/20

分类号：G06V40/20;G06V10/70;G06V10/764;G06V10/774;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.04.01#实质审查的生效;2022.03.15#公开

摘要：本发明提出了一种基于机器学习的微惯性武术动作识别方法及系统，包括数据采集模块、通信组网模块、数据处理模块、数据库存储模块、规范性分析模块以及反馈模块。数据采集模块可以通过微惯性数据传感器采集该用户训练时的节点速度，角速度，加速度及压力；通信组网模块通过滤波算法进行数据传输；数据库存储模块通过Sql进行数据存储；建立反馈模块，对不合理的数据进行反馈，并重新测量。本发明基于机器学习，将采集的运动信号进行处理，通过三级处理模式进行标样，可以以更规范且少量的数据源获得更多样性的组合动作以提高动作识别的准确性。本发明亦可准确识别人的武术动作，并进行规范性评估。

主权项：1.一种基于机器学习的微惯性武术动作识别系统，包括数据采集模块、通信组网模块、数据处理模块、数据库存储模块、规范性分析模块以及反馈模块，其特征在于，所述数据采集模块用于采集人体相应部位上的微惯性数据与力数据，并将微惯性数据上传到通信组网模块；所述通信组网模块用于汇总各数据采集模块的数据，并通过滤波处理后一同上传到数据处理模块；所述数据处理模块用于将采集到的数据进行三级数据处理，并将处理后的数据上传到数据库存储模块和规范性分析模块；所述三级数据处理模式中，一级数据操作为，根据惯性传感器得到的加速度，以及力传感器所测得力度，融合估计实际力度，计算式为，其中mk为第k个传感器附着部位的相对质量且通过mk＝pjk*M计算出，其中pjk为由用户的性别和具体部位共同决定的重量占比，其中M为用户输入的自身体重，ak为第k个传感器附着部位的三轴合加速度，fk为第k个传感器附着部位力传感器测得力度；所述三级数据处理模式中，二级数据操作为，计算出数据集中速度、加速度、角速度、压力、姿态角的信息熵：其中Pi表示第i个动作数据占所有数据的比例，α为修正系数N为采集数据的类别数量，a为静态节点的个数，计算特征Si的标准加权数其中，at为人体各个部位所对应的权重，qt为Si的各项高相关性因素的加权，且qt＞1，据此，构建随机森林模型，由于模型存在n个低相关性特征，该模型的最终票权P＝0.8n，所述高相关性因素为相邻节点的加速度比值，胸部与腰部节点的速度信息、边界节点的速度与位置信息；低相关性因素为幅值恒定的特征数据、静态节点的均值和标准差；所述三级数据处理模式中，三级数据操作为，通过对实时得到的动作数据和标准数据库里面的数据进行差异化计算其中Lt为各个部位对应数据的差异值，at为二级数据处理中确定的各部位权值，得到显示动作标准性的差异度指标L；所述数据库存储模块用于将处理后的数据与数据库中的标准数据对比，并将得出的动作分类上传到规范性分析模块和反馈模块；所述规范性分析模块用于将处理并分类后的数据与规范化动作的数据进行对比，并将比对后的评分上传至反馈模块；所述反馈模块用于向用户显示检测到的武术动作名称以及规范性评分。

全文数据：

权利要求：

百度查询： 东南大学 一种基于机器学习的微惯性武术动作识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD