基于多傳感器的運動員訓練信息融合分析系統設計

王思

摘? ?要：在運動訓練過程中，采集工作是關系到運動員訓練水平的關鍵。將多傳感器的思想應用到信息融合技術上，通過多個傳感器和攝像機分別對運動員的關鍵指標進行采集。前者是利用小波變換實現對人體表面肌電信號的特征提取，然后使用人工神經網絡法對關鍵的特征的進行識別，得到初步人體運動評估結果。后者是對圖像視頻經過前景提取、特征提取、識別姿態及評估進行處理。提高了人體疲勞評估準確率，從根源上解決了傳統系統的采集準確率地下的問題，經過科學指導，提高運動員訓練水平，對于信息融合技術具有重要的作用。

關鍵詞：傳感器;信息融合技術;小波變換;神經網絡模型;證據理論

中圖分類號：TP24? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A

Design of Athlete Training Information Fusion

Analysis System Based on Multi-sensor

WANG Si?

（Xi 'an? Medical University，Xi 'an，Shaanxi 710021，China）

Abstract：In the process of sports training，the collection work is the key to the training level of athletes. The idea of multi-sensor is applied to the information fusion technology. The key indicators of athletes are collected by multiple sensors and cameras. The former uses wavelet transform to extract the features of EMG signals，and then uses artificial neural network to identify the key features，and gets the preliminary results of human motion evaluation. The latter is to process the image video through foreground extraction，feature extraction，attitude recognition and evaluation. It improves the accuracy of human fatigue assessment，solves the problem of the traditional system's collection accuracy from the root，improves the training level of athletes through scientific guidance，and plays an important role in information fusion technology.

Key words：sensor;information fusion technology;wavelet transform;neural network model;evidence theory

在訓練領域中，運動員的訓練水平目前已經不能通過單一指標的傳統評估方式預測，沒有考慮到系統復雜的人體及環境因素。在運動訓練過程中，人體呈現出隨意性、多樣性、復雜性、時變性的肢體運動狀態[1]，從機器的角度來看，人體是通過很多形態各異的子系統構成的復雜系統，這些不同的子系統分別具有異特的功能特點，而且它們之間有聯系，相互協調。運動員的行為具有復雜性的特征。

目前不少課題研究人體運動訓練模型模擬遠動員運動訓練過程，一般情況下，運動員的訓練數據包括步數、速度、加速度、心率等[2]，這些數據對運動水平具有一定的影響，但是，很少專家及學者研究肌肉活動在人體訓練過程中的重要的作用，而且缺少對多種采集數據進行融合分析。因此，需要通過一定的技術對多種信息進行融合分析[3-9]。

20世紀70年代誕生了一種技術，這種技術把多種采集到數據通過融合方法進行有效的組合，這些融合方法包括神經網絡、決策論、信息論、統計推理、證據理論等，能夠根據一定的準則對數據進行分析，獲得了可靠、準確率更高的預測結果，這就是多源信息融合技術。

為些，提出了基于多傳感器的運動員訓練信息融合分析技術，利用多傳感器設備對許多訓練特征數據進行采集，通過一定的融合技術進行有效的融合分析，并結合特定的規則來進行訓練水平的評估，從而獲得了準確率更高的評估結果。因此，針對提高運動員訓練水平的問題，提出的技術方案具有重要的作用。

1? ?系統整體設計

將多源信息融合技術應用到運動員訓練信息系統中，是為了獲取人體運動過程的各方面參數，將這些參數進行融合分析，以提供行之有效并且有助于運動員鍛煉的決策數據和技術指導。

特征層、特征融合層和決策層四層。從圖上可以看出，科學訓練技術指導或者運動水平都是通過以運動員人體運動過程的信息獲取與處理為基礎的進行融合分析得到的結果。因此本文的主要研究是如何獲取運動員訓練過程中的多目標多參數數據，進行有效的融合分析。

2? ?人體運動信息獲取

人體運動過程中的信息本身是一個復雜的非線性過程的參數，它涉及到運動學、動力學、生理（肌電）學等等。不同的模型對應的慣性參數不同，利用攝像機獲取人體運動學參數，利用力測試平臺獲取外力參數。

2.1? ?運動學信息獲取

運動學參數主要通過高速攝像、三維錄像等技術獲取的[10-11]。

（1）高速攝影技術

由于拍攝方式不同，其攝像的測量范圍也因此不同。在進行信息獲取時，拍攝方式取決于運動員的訓練項目。平面定機拍攝方式測量平面范圍小，適用于在一個平面上被測體運動過程中的項目，比如跳遠、起跳等項目。平面跟蹤拍攝方式測量范圍小，比定機拍攝方式大，由于被測體無法一直保持勻速直線運動，難免出現與攝像機速度不同，得到有誤差的測量結果，一般適用于周期距離長、測量范圍大的運動項目。立體定機拍攝方式主要是從不同的角度同時來拍攝同一個被測體運動過程，攝像機臺數至少有兩臺才能進行同時拍攝，對從不同角度的攝像機同時獲取的圖形進行數字化，得到的運動參數，可適用于鉛球等運動項目。

（2）三維錄像技術

三維錄像技術是利用三維空間重構原理進行的，信息采集人員可以站在穩定不變的位置所設置的兩臺以上攝像機來拍攝，通過直線線性變換算法獲得的三維空間坐標，做一個至少6個已知坐標點的高精度的標定框架，攝像機角度差一般為90度。該拍攝方式測量空間大，結構簡單，適用于體操、球類、田徑等運動項目。

2.2? ?動力學信息獲取

在運動過程中，可通過傳感器獲得動力學信息，對運動分析有重要的影響。動力學參數一般包括人體位移、足底壓力、關節力、角度、加速度等，可通過力傳感器、位移傳感器、速度傳感器、加速度計、慣性式傳感器、測角儀獲取。目前研究院所開發了的六維力測試平臺，該平臺可分成力傳感器、信號處理模塊和計算機模塊三大模塊，測量面積大，還可以同時獲取力柜數據和三維空間數據。

2.3? ?肌電信息獲取

肌電圖是神經及肌肉在運動過程中會釋放出微弱的電信號，經過處理得到的圖形。通過肌電測量儀器根據肌電電極來獲取人體肌肉的舒張和收縮程度等數據，經過處理過的肌電圖分析，對運動員進行科學指導，提高訓練水平。由于電極對象不同，可以將肌電信號分為表面肌電和針電極肌電，在運動訓練期間，大多利用表面肌電檢測的形式，是因為這種方式對人體沒有產生的損害，僅僅測量人體肌膚表面上的肌電數據。

3? ?運動圖像的運動評估

利用混合的高斯模型對從攝像機獲取的運動圖像進行前景圖像提取處理[13-14]，消除噪聲干擾和虛假目標，獲得的所有被測體的移動目標圖像。然后跟蹤、利用視頻播放出現的不同幀的圖像，然后提取這些圖像的特征點，對這些圖像特征點進行識別和分析。

3.1? ?前景圖像提取過程

利用一定的算法根據圖像上的每個像素計算每個高斯分布作為前景的概率大小，根據權重與標準差對每個高斯模型進行排序，最后得到了前景圖像。

公式（1）為混合高斯模型公式，在時間 時間點處，能夠提取圖像中的像素，該像素可以為前景的概率大小。

在上式中，K為模型的個數，一般取為3，It（x，y）為t時刻的像素值，κ∑i，t為協方差矩陣，∑i，t = σ2I，σ2為方差，I為三維單位矩陣，μi，t為均值，ωi，t為t時刻第i個高斯的權重。

高斯分布的概率密度公式 如式（2）所示

將模型按式（3）的值大小進行排序，然后將排序后的每個值與式（4）進行匹配。

假如匹配成功，那么需要更新高斯分布的參數，如式（5）為高斯分布的更新算法，α為學習率。

假如不匹配成功，那么p為0，需要按照式（6）進行更新。

為了消除在提取結果過程中受到復雜環境引起的影響，需要對學習率進行更新，將幀間差分法的思想應用到學習率，并且提出了新型的學習率更新方法，這種方法能夠提高背景模型的穩定性。并且能夠將幀間差分法的思想運用到學習率。

如式（7）所示，通過幀間差分方法獲得第 幀與第i - 1幀圖像之間的像素差。

將D（x，y）與像素個數S按式（8）所示進行比較，計算相應的學習率。

將排序前面的高斯分布為前景的公式如下：

式（9）中，T為像素概率分布中混合背景高斯成分占的最小比例的值，本文取值為0.7。

3.2? ?特征提取

在運動員訓練過程中，將攝像機獲取的視頻進行前景提取圖像，需要通過一定的算法對被測體的每幀圖像的特征點進行追蹤。本文利用Shi-tomasi算法應用到前景圖像提取特征中，設置一個窗口，根據灰色值是否判定圖像中的角點是否為特征點。

然后構建正方形窗口W，該窗口的長度為n×n，然后假設窗口中心的點坐標為（x，y），I（x，y）為（x，y）處的圖像灰度值。設窗口向左平移長度為Δx，向上長度為Δy個，那么灰度值計算公式如（9）所示。

經過當前灰色值計算后，對I（x+Δx，y+Δy）進行矩陣形式展開，如式（11）所示。

式中，ω（x，y）為特定的高斯濾波器，Ix ，Iy為圖像，x，y方向的偏導數。

在點（x，y）處，當窗口的位置向每個方向位移之后，如果該窗口的灰色值變化不大，則圖像中的區域該為平攤區域。反之，該點（x，y）為特征點，則表示該點追蹤成功。

3.3? ?識別及評估結果

以跑步和走路為例，通過支持向量機對在訓練過程中的視頻里被測體姿態進行識別，判斷被測體是否出現疲勞的現象，最終得到人體運動狀態的初步評估結果。當被測體的跑步速度緩慢時，逐漸趨于走路狀態，說明這個被測體處于疲勞狀態。

以走步為例，假設在時間t內識別出被測體走路的次數，對人體的疲勞評估公式如下：

式中，n為走路姿態次數，F為非疲勞值得概率值，P為人體疲勞的概率值。

4? ?肌電信號評估

將信息融合技術應用于肌電信號評估[15-16]， 利用小波變換法和神經網絡法對目標特征數據進行處理并識別。如圖2所示，將從傳感器得到數據（表面肌電信號）進行標準化，經過算法進行關聯特征融合，最終得到的初步評估初步結果。

評估步驟如下：

（1）利用傳感器感測人體表面肌電信號，并將得到的信號分段處理，得出樣本數據。

（2）得到樣本數據后，經過濾波降噪處理。

（3）利用小波變換原理對得到的表面肌電信號進行處理，在利用小波變換原理時，可采用適合的小波基實施小波變換，進而輸出表面肌電信號的計算結果。

（4）對處理結果進行能量篩選，對信號進行提取小波系數，轉換成特征向量。

（5）人工神經網路法對多組特征向量進行分析并處理，得到了初步評估結果。

4.1? ?基于小波變換的特征提取

本研究借助于小波變換原理處理人體運動中的表面肌電信號，小波信號處理結束后，又利用人工神經網絡算法，對人體運動中的表面肌電信號進行再次評價。

在采集運動過程期間表面肌電信號時，在人體肌肉疲勞之后，有必要記錄肌電數據，當肌肉出現疲勞之前，也需要記錄肌電數據，分析數據變化。以單位長度為1 min對數據進行分段，接著再分成60個1 s的數據組成數據組。

怎樣篩選恰當的小波基將表面肌電信號實施小波變換也是比較重要的[17-19]，小波變換公式的使用過程如下：

（1）設?（t）基小波，時域積分為0，如（13）公式所示。

（2）將?（t）基小波經過平移和放縮處理后得到的Φ（a，τ）。

（3）將小波基替換傅里葉變換公式的基函數后，得到的公式如下：

目前有幾種小波基[20]，比如Symlets、Meyer、Dauechies、Haar、Morlet等小波，經過基函數特征分析，小波變換的基函數選取為Dauechies小波。

在運動員訓練運功期間，需要識別運動員的表面肌電信號，然后對該信息進行特征信息提取，從特征信息中提出特征向量，將這些特征向量輸入至神經網絡，基于神經網絡能夠生成識別出的信號。

對表面肌電信號進行多尺度小波分解，每個尺度分解的級別有高低，表面肌電信號能量越強，小波分解系數的絕對值越大，影響信號重構的程度越高。以每級小波系數的絕對值的最大值作為特征參數，最終形成特征向量。

設E為表面肌電信號的能量值，在1 s內，對肌電信號進行截取，在t0時刻t秒內，能量變化公式如下：

4.2? ?基于人工神經網絡的疲勞評估

如圖3所示，本文研究的人工神經網絡[21]分三個層級，即輸入層與輸出層中間加一個隱含層。

將前文所述的特征向量（該向量通過小波變換法獲取）作為神經網絡輸入層的節點進行輸入。輸出層僅僅需要一個可輸出兩種工作狀態的節點，分別是疲勞狀態和非疲勞狀態。在上述的神經網絡計算過程中，需要用到不同的神經網路傳遞函數，比如tan-sigmod型和log-sigmoid型等，在本研究中，該神經網路傳遞函數為tan-sigmod型，tan-sigmod型函數輸出兩種不同的狀態，即 0和1。

確定隱含層的節點數是人工神經網絡的關鍵，對識別評估有重要的作用，可按式（15）公式確定隱含層節點數。

式中，n為隱含層節點數，m為自定義變量，n1，n2分別為輸入層、輸出層的節點數。

5? ?決策級的運動評估

利用信息融合技術將多個傳感器獲取的數據進行融合分析。如圖4所示，首先對傳感器數據進行處理并提取特征，得到初步評估結果，將多個初步結果進行決策級融合處理，最終得到了決策級運動評估結果。

將運動圖像評估結果與基于傳感器的初步評估結果通過信息融合技術進行關聯，最終得到的人體運動疲勞的決策級評估結果。信息融合方法有神經網絡、決策論、信息論、統計推理、證據理論等。證據理論比較適用于事件出現的不確定性概率場合[22]，具有靈活性。

假設證據的基本概率賦值為運動圖像疲勞評估值和肌電信號疲勞評估值，組成概率分布，輸入狀態有4種，非疲勞（A）、疲勞（B）、非疲勞或疲勞（C）、空（O）。

設閾值符號為a，當決策結果大于a，則處于初步評估結果狀態，當決策結果小于a，則說明初步評估結果不正確。m為證據理論的基本概率賦值，m1為運動圖像的疲勞評估賦值，m2為表面肌電信號的疲勞評估賦值，決策結果只有非疲勞和疲勞兩種，決策結果計算公式如下：

6? ?檢測試驗及分析

選身體健康的人員作為實驗對象，分別對被測體運動之前、運動過程中未出現疲勞之前、運動過程中出現疲勞后以及運動結束后進行記錄圖像視頻和傳感器數據。

對運動過程中實驗對象的1分鐘視頻進行姿態識別，獲得了801次走路姿態，經過計算，運動圖像的非疲勞率為0.2，疲勞率為0.8。

選美國的delsys設備作為采集設備，電池工作時間可持續40小時數，4通道，采樣頻率512 Hz，分辨率為12 bit，這種設備能夠進行遠距離無線傳輸。

本研究選取了不同的測試點進行試驗，測試點為四塊肌肉，更具體為分別為大腿背面股二投肌、股直肌、股內側肌、股外側肌。波形圖如圖5所示，該波形圖為截取1秒內采集的四通道數據：

對四通道原始數據進行小波變化，得到處理過的波形圖如圖6所示：

當小波變換后的四通道數據輸入到人工神經網絡識別，非疲勞率為0.06，疲勞率為0.94。

如表1所示，實驗的決策次評估結果為疲勞。

在運動過程中，對實驗對象的心率數據、運動圖像數據、表面肌電信號數據進行采集，經過多次實驗，本研究的系統所得出了評估結果更為準確，更加科學。

7? ?結? ?論

基于多傳感器的思想提出了運動員訓練信息融合分析系統技術，并在傳感器采集的基礎上結合小波變換法、人工神經網絡法和證據理論，提高信息融合后得出的人體評估結果準確率，克服了傳統采集準確率低的技術問題，經過科學指導，提高了運動員的訓練水平。

參考文獻

[1]? ? 劉凱. 功能動作篩查在游泳運動員體能訓練中的運用[D]. 北京體育大學，2013（1）：4-52.

[2]? ? 騰珂.基于可穿戴式傳感器的多特征步態分析系統設計與研究[D]. 合肥工業大學，2016（3）：10-58.

[3]? ? 張云峰，盧燦舉，李超. 多源信息融合軟件的設計與實現[J]. 無線互聯科技，2016，（6）：54-55.

[4]? ? 董永. 基于多源信息融合的機器人控制模態設計[D]. 大連理工大學，2016.

[5]? ? 雷靜，余斌. 基于信息融合和神經網絡的煤巖識別方法[J]. 工礦自動化，2017，43（9）：102-105.

[6]? ? 劉海峰，張超，羅江，等.網絡信息體系中的信息融合與挖掘技術研究[J]. 指揮與控制學報，2016，2（04）：329-337.

[7]? ? 劉宗梅，李克蕾. 運動訓練信息管理系統的研究與設計[J]. 現代電子技術，2017，40（09）：54-57

[8]? ? 韓義波，張政，唐丙寅. 基于三維地理信息的艦船輸電通道多源信息融合技術研究[J]. 艦船科學技術，2017，39（14）：70-72+99.

[9]? ? 李明. 多源信息融合技術發展簡述[J]. 艦船電子工程，2017，37（06）：5-9.

[10]? 胡瓊，秦磊，黃慶明.基于視覺的人體動作識別綜述[J].計算機學報，2013，36（12）：2512-2523.

[11]? 孫宏國，李天然，蒲寶明，等. 復雜背景下人體檢測算法[J]. 計算機系統應用. 2013，22（4）：136-139.

[12]? 張杰，吳劍章，湯嘉立，等. 基于時空圖像分割和交互區域檢測的人體動作識別方法田[J]. 計算機應用研究.2017，34（1）：302-305.

[13]? 魏燕欣，范秀娟.基于GMM的人體運動姿態的追蹤與識別[J]. 北京服裝學院學報（自然科學版），2018（2）.42-49.

[14]? 劉鑫，劉輝，強振平. 混合高斯模型和幀間差分相融合的自適應背景模型[J]. 中國圖象圖形學報.2008.13（4）：729-734

[15]? 孫光民，閏正祥，張俊杰，等. 基于表面肌電信號雙譜分析的動作分類[J]. 北京工業大學學報，2017，43（7）：1045-1050.

[16]? 賈誼，薛瑞婷，魏亮. 人體快迷起跳動作的下肢表面肌電信號特征研究[J]. 中國體育科技，2017，53（2）：64-70.

[17]? 于亞萍，孫立寧，張峰峰，等. 基于小波變換的多特征融合sEMG模式識別[J]. 傳感技術學報，2016，29（4）：512-518.

[18]? 劉海江，李敏，黃偉，等. 基于小波變換的整車駕駛性評價信號去噪[J]. 噪聲與振動控制，2018 .38（1）：103-108

[19]? 馬天兵，王孝東，杜菲，等. 基于小波包和BP神經網絡的剛性罐道故障診斷[J]. 工礦自動化，2018，44（8）：76-80.

[20]? 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強技術[J]. 紅外技術，2015，（12）：1036-1040.

[21]? 孫慧影，林中鵬，黃燦，等. 基于改進BP神經網絡的礦用通風機故障診斷[J]. 工礦自動化，2017，43（4）：37-41.

[22]? 韓立巖，周芳. 基于D-S證據理論的知識融合及其應用[[J].北京航空航天大學學報，2006，32（1）：70-73.