一種基于可穿戴平臺的武術動作量化評估方法

王漠 趙威超 李舜禾 郭軍

摘 要：現有的武術訓練評估方法主要采用人工評價方式，主觀性強，不易普及。為此，我們將信息技術領域的可穿戴計算技術與傳統武術訓練相結合，設計開發以護腕為硬件載體、結合機器學習方法的可穿戴武術動作量化評估系統。通過對運動數據的分析，建立武術動作誤差分析模型，進而建立武術動作的神經網絡量化評估模型，采用專家打分策略訓練神經網絡，實現武術訓練的量化評估。我們以常見的三路長拳為數據樣本，通過多組實驗表明，系統具有較強的動作分析能力，能夠正確反應運動者的動作質量，幫助其提高學習效果。

關鍵詞：可穿戴；功夫文化；量化評估；神經網絡

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2018）08-00-04

0 引 言

武術，國外又稱“功夫”，是中華傳統文化的重要組成部分，是一種深受廣大民眾喜愛的體育運動。據統計，全世界超過100多個國家擁有武術組織，國內外武術愛好者超過千萬。但是目前武術練習效果仍然采用人工評判的方法，既不精確，也不方便。隨著信息化、智能化、數字化技術的廣泛應用，為武術練習者提供了一種數字化定量研究傳統武術特性和動作要義的新手段。因此，我們設想將可穿戴設備與中國傳統功夫的學習相結合，為廣大習武之人練習武術提供一種新的訓練效果量化評估指導方法，有利于傳統武術在社會各界中普及和發揚光大，也有利于弘揚中國傳統文化。

1 系統總體構成

我們借鑒運動手環的設計模式，利用加速度傳感器M6050設計可穿戴手環，測得武術動作訓練數據，利用機器學習技術對數據進行分析評測。開發的系統名為“功夫護腕”，在用戶使用時，利用傳感器采集數據，并將數據通過低功耗藍牙傳輸至處理平臺，通過程序對數據進行分析，輸出每一個動作的準確程度，最后組合成一段拳法的標準度量結果。系統的硬件結構如圖1所示。

圖1 總體硬件架構

2 硬件組成與基本原理

“功夫護腕”的核心硬件設備包括加速度傳感器MPU6050，低功耗藍牙，高速MCU等。

2.1 加速度傳感器

G-Sensor是重力傳感器，英文全稱為Gravity-Sensor，它能夠準確感知加速力的變化，加速力即物體在加速過程中作用在物體上的力，采用加速度傳感器MPU6050測量[1]，而這也是本產品的關鍵，我們將通過G-Sensor模塊采集樣本數據和用戶練習“初三路”武術時的數據。

系統采用高精度陀螺加速度計MPU6050，通過處理器讀取MPU6050的測量數據，然后通過串口輸出，避免用戶自己開發復雜的MPU6050 I2C協議，同時精心的PCB布局和精湛的工藝保證了MPU6050所受到外界的干擾最小，測量精度最高。且模塊內部自帶電壓穩定電路，可兼容3.3 V/5 V的嵌入式系統，連接方便。

2.2 低功耗藍牙

低功耗藍牙（Bluetooth Low Energy，BLE）與傳統藍牙技術有著本質的區別，它為醫療、運輸等領域的無線應用帶來了突破。只需一枚硬幣大小的電池，低功耗藍牙便可以連接并擴展到各類個人局域網（Personal Area Network，PAN）設備和新一代傳感器，令其可靠地運行若干年。對于藍牙模塊和單片機MCU我們參考各種手環后，選定nRF51822藍牙協議模塊[2-3]。該模塊是一款為超低功耗無線應用（ULP Wireless Applications）設計的多協議單芯片解決方案。芯片支持BLE4.0和2.4 GHz協議棧，整合了射頻發射電路，一個ARM Cortex M0核以及256 kB的FLASH+16 kB的RAM。

nRF51822具有以下特點：

（1）nRF51822的IO配置十分靈活，只有ADC必須配置在8個規定的PIN腳上，其他功能可以靈活配置在31個GPIO上，該設計便于設備微型化；

（2）nRF51822內部電源工作在LDO模式下，外部可輸入1.8～3.6 V電壓供給芯片，雖然芯片內置了DCDC模式，但是由于功耗過大，故放棄使用；

（3）nRF51822使用1個16 MHz的外置高頻晶振和1個32.768 kHz的外置低頻晶振，芯片內部有32.768 kHz的RC振蕩器，同時還可加入外部低頻晶振來滿足振蕩器計時的精度；

（4）藍牙BALUN既可以使用分立器件，也可以使用ST定制的BAL-01D3。設計中我們使用定制器件BAL-01D3，在保證信號性能的同時減小板卡尺寸。

2.3 電源模塊

為了保證足夠的電源效率，設計使用了高效率、帶輕載優化的DCDC芯片TPS62260[4]，而非傳統的LDO。由于nRF51822內部有LDO，為提高效率，故系統電壓越低越好。考慮到MUP6050額定電壓在3 ～5 V之間，白色LED最低工作電壓為2.8 V，其他IC的最低系統電壓為1.8 V，因此最終確定的系統電壓為4 V。

電源芯片選擇DCDC。雖然DCDC靜態電流大，但當輸入電流大于1 mA時，效率能夠達到90%以上。電源芯片電路如圖2所示。

值得一提的是，需要注意 DCDC 的走線，否則電源會出現諧振。輸出端的磁珠用于進一步去除噪聲。電池保護模塊電路如圖3所示。

為了便于用戶使用，系統應設計有電量檢測功能。電池電量和電壓之間有對應關系，系統只需檢測到電池電壓即可映射成電池剩余電量。

電池接入瞬間，大約0.5 s可完成電容充電，此時輸出的測量電壓才是穩定的正確值，所以ROM初始化代碼需要延時1 s再采集電池電壓。

2.4 復位模塊

因為手環屬于運動時的貼身物品，極易遇汗水，所以外部復位不能采用低電平復位，以防止因系統短路導致系統復位。

電平反轉和靜電保護是外部復位功能的關鍵。輸入信號通過TVS管防止靜電擊穿電路[5]，而后電容電阻網絡吸收靜電未達擊穿電壓（約6 V）時的能量。復位模塊電路如圖4

所示。

3 實驗數據分析

3.1 誤差分析評測

首先我們利用Matlab工具分析數據。預先采集一組數據作為樣品模板（標準值），之后再加入一組數據，通過Matlab對所采集的數據進行處理，再調用polyfit函數對兩組數據進行10次方的多項式擬合，p1/p2為其多項式擬合結果對應系數，從而得到擬合函數。通過Matlab畫出擬合曲線，調用polyfit函數對兩組數據進行10次方的多項式擬合，調用函數legend（'Original Data1'，'Fitting Date1'，'Original Data2'，'Fitting Data2'）計算每個點的平方差并求和，作為相似度的量化結果。

Ax Ay Az（x軸、y軸、z軸加速度的兩條曲線的平方差之和）的數值越小證明動作越標準。數據采集系統如圖5所示，Matlab制圖顯示x軸加速度原曲線和擬合曲線如圖6所示，Matlab制圖三軸兩組數據相異程度見表1所列。

3.2 動作的機器學習評分方法

采用誤差分析評測動作的好壞等級容易實現，但難以理解，特別在使用Matlab工具分析時，由于采樣點的離散性，當某采樣點與標準值偏離過大時，會對最后結果造成巨大影響；若不標準的曲線部分沒有或過少地被采樣，也會造成明顯的結果誤差，而一味通過增加采樣點解決問題會導致分析效率成倍下降。為了解決誤差分析方法特定情況下準確率不高、評測結果不易理解等問題，我們引入了機器學習方法[6]。

采用比較經典的專家打分方法為已有動作打分，以此作為訓練樣本訓練機器學習模型，然后將新的測試樣本輸入模型進行測試，得到新輸入動作的評分。這里，機器學習模型采用多層人工神經網絡方法，通過學習輸入數據的結構和內在模式不斷調整網絡參數，獲得經驗和知識[7]。通過2 400次訓練后，可將損失函數降至0.1以下。機器學習損失函數數據見

表2所列，機器學習損失函數變化如圖7所示，程序流程如

圖8所示。

神經網絡模型的數學表達如下[8]：

（1）

F（）函數為激活函數，可采用relu，tanh，sigmoid等：

（2）

其中：正向傳播過程中，W，b為節點參數，a（l）為前一層輸出，a（l+1）為當前層的輸出。該過程分為線性激活（上面的式子）和非線性激活兩部分（下面的式子）。在神經網絡的最后一個輸出節點輸出的最終分數為sigmoid激活函數的輸出值。

（3）

神經網絡的損失函數反映了神經網絡對訓練數據的訓練效果。在訓練過程中隨著參數的不斷調整損失函數的值不斷減小。

（4）

反向傳播過程利用W，b參數與損失函數間的導數關系，更新W，b參數使得損失函數不斷變小，同時W，b參數的值趨于收斂。α為每次更新參數的幅度，即函數中的learning_rate。

訓練過程采用我們提供的實驗數據集進行，隨著訓練次數的增加，損失函數不斷減小，神經網絡參數趨向收斂[9]。將測試數據輸入模型，通過多層神經網絡處理，在輸出層輸出一個歸一化的小于1的數字，其值越接近1，表示實驗動作與標準動作越相似。我們將一個標準動作的數據集輸入系統，獲得了較高分；而另一個初學者的動作則獲得了較低分。實驗證明機器量化評估可行[10]。標準輸入及得分如圖9所示，初學者輸入及得分如圖10所示。

4 結 語

我們以大學生都熟悉的初三路為數據集實驗，使用可穿戴設備采集這套拳法的標準數據，利用編寫的機器學習程序對數據分析進行學習。當其他數據輸入時，系統可以根據動作標準程度給出分數，并顯示在PC端。

通過將獲得的數據與使用者的動作對應，我們可以獲知使用者動作的正確程度，并提供反饋信息，幫助使用者更好地學習功夫。該系統的應用能促進我國傳統武術文化向數字化、科技化以及精確化平臺模式發展，并能在與科技相互促進的同時發揚我國傳統武術文化。

參考文獻

[1]張少飛.基于多傳感器數據融合的肢體動作識別系統研究[D].太原：太原理工大學，2016.

[2] ROBIN，HEYDON.低功耗藍牙開發權威指南[M].北京：機械工業出版社，2014.

[3]趙文苓.基于NRF51822的可穿戴心率監測及防丟系統設計[M].成都：成都理工大學， 2017.

[4]萬超.一種大電流低功耗的BUCK型DCDC芯片設計[D].成都：電子科技大學，2016.

[5]郭遠東，李雪玲.TVS管失效原因分析[J].環境技術，2013（4）：21-24.

[6]杜宇.基于深度機器學習的體態與手勢感知計算關鍵技術研究[D].杭州：浙江大學，2017.

[7]張潤，王永濱.機器學習及其算法和發展研究[J].中國傳媒大學學報（自然科學版），2016，23（2）：10-18.

[8] ZEKISUAC M，PFEIFER S，ARLIJA N. A comparison of machine learning methods in a high-dimensional classification problem[J]. Business systems research journal，2014，5（3）.

[9] JIA J Q，DUAN H B. Automatic target recognition system for unmanned aerial vehicle via backpropagation artificial neural network[J]. Aircraft engineering and aerospace technology，2017，89（1）：145-154.

[10] SALAPA K，TRAWISKA A，ROTERMAN I，et al. Speaker identification based on artificial neural networks. Case study： the Polish vowel （pilot study）[J]. Bio-Algorithms and Med-Systems，2014，10（2）：91-99.