基于自動化檢測技術的體育運動訓練誤差分析

吳明明

(仰恩大學 體育教研部,福建 泉州 362000)

隨著人們健康意識的提高,人們對于體育運動越來越重視,更多的人加入到運動訓練中.隨著人們訓練時間的增加,有很大一部分人在運動訓練后并沒有獲得成效,有些人甚至由于運動訓練造成傷病,對身體健康造成傷害.分析發現,造成以上后果主要原因有:一是在訓練過程中,訓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練設備,導致設備對人體造成傷害.

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

自動化檢測技術屬于人工智能的一種[1-2],該技術是將計算機、統計學和神經學等學科融合在一起的一個綜合類學科,目的是使計算機具備人的識別、決策等能力.目前,該項技術已經在工業等領域得到了廣泛的應用,在體育方面逐漸開始得到應用.若將自動化檢測技術應用于體育運動訓練,可以為訓練者在運動訓練過程中提供幫助,減少訓練時可能出現的錯誤,避免出現傷害,有效提高訓練效率.因此本文將基于自動化檢測技術對體育運動訓練誤差進行分析.

1 體育運動訓練誤差檢測系統

1.1 總體設計

為了能夠對誤差進行客觀分析,體育運動訓練誤差檢測系統以大數據為基礎進行設計.該系統的主要組成包括控制器、生理信息檢測系統、運動設備數據檢測系統、動作數據檢測系統、數據庫、通信系統、電源、顯示器和遠程處理系統.該體育運動訓練誤差檢測系統的結構簡圖如圖1所示.

1.2 生理信息檢測系統

生理信息檢測系統主要用于對使用者的身體狀態進行監測,將這些數據傳輸至網絡大數據,根據目前使用者的身體狀態推測體育運動訓練可以達到的狀態及推測未來的可訓練程度,為系統進行誤差分析做準備.生理信息檢測系統主要通過在使用者手環上安裝脈搏、血氧、呼吸、肌電傳感器,實時采集使用者的身體狀態,在訓練過程中及時作出提醒,以防出現意外狀況.這些生理信息通過藍牙傳遞至手持終端.

脈搏通過測量人體的PPG信號來確定.PPG的檢測是通過光學手段,即在手環上安裝兩個光電探頭,其中一個為可恒定發出綠光的光探頭,發出的光經過人體反射后作用于第二個光敏探頭,該探頭將光信號轉化為電信號即為PPG信號.PPG信號中的直流部分為穩定信號,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的指標之一,血氧高則人體代謝好,血樣低則患心腦血管疾病的風險較高.血氧是通過在手環內部安裝血氧傳感器芯片和光電二極管進行監測.芯片發射紅光和紅外光,經過人體血液時,氧主要吸收紅光,血紅蛋白主要吸收紅外光,通過計算發射和光電二極管接收的光強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之一,其速率和深淺能夠有效地反映出人的情緒、運動和生理狀態等.目前有很多種檢測方法,如熱敏法、氣體流量法等,但是為了便于運動,本系統采用阻抗法進行測量.在運動時,只需要將兩極貼片貼于胸腔兩側,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為人胸腔內部的電阻,一般為固定值,ΔR為人在呼吸時的電阻變化.在進行呼吸速率和深淺測量時,交流電經過保護電阻RP后施加到人體,經過并聯的電阻和電容后進入胸腔,由于胸腔中呼吸變化導致電阻變化,最終的電壓測量值發生變化,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部肌肉、骨骼和神經的運動狀態.在手環內部安裝肌電傳感器,內部芯片可以監測人體運動時肌肉系統內的模擬電信號,從而監測肌肉從松弛到收縮再到松弛過程產生的力.

1.3 運動設備數據檢測系統

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

無線射頻識別(RFID)的內部裝置主要包括應答器、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,應答器主要通過直流電源供電,首先由振蕩器產生穩定的頻率信號,通過編碼器送到調制器,然后通過載波發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行放大,通過解調器篩選使用信號,信號通過解碼器后利用顯示電路顯示接收到的數據.

1.4 動作數據檢測系統

動作數據檢測系統主要是利用手持終端的攝像頭對體育運動訓練動作進行采集,同時調取數據庫中規范的動作進行對比,通過系統設置的機器學習算法等對動作進行分析處理,確定訓練誤差,以音頻或視頻的方式在手持終端播放或顯示.

1.5 數據庫

數據庫用于對系統獲取的所有數據進行存儲和管理.系統數據庫采用表格形式的MySQL數據庫,這種數據庫采用實體聯系圖的方式對數據進行管理,便于對數據庫中的數據進行刪除或增加等操作.對于本誤差檢測系統來說,其實體元素主要包括管理員、使用者、體育運動設備、生理信息和動作數據等,并將每個實體元素相關的屬性與實體元素相關聯,對數據庫進行設置管理.該數據庫的實體聯系如圖5所示.

圖5 數據庫的實體聯系圖

1.6 通信系統

通信系統一方面用于將訓練數據、生理信息數據、運動設備數據等傳輸至大數據,將數據進行存儲、分析和處理,一方面將分析完成后的訓練誤差實時傳輸至使用者.考慮到使用者主要以手持終端進行訓練,因此手持終端主要采用無線網將使用者的相關數據傳輸至網絡數據庫;生理信息數據以及運動設備數據通過使用者佩戴手環,采用藍牙將采集到的數據傳輸至手持終端.

在使用無線網傳輸數據時,手持終端按照網絡協議向服務器發送數據轉化的字符串,網絡可以實時對服務器進行訪問;同時網絡可以通過服務器向手持終端發送數據[5-6].在使用藍牙進行數據傳輸時,選擇藍牙2.0協議、HC06通信模塊.

1.7 電源、顯示器和遠程處理系統

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

系統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.

遠程處理系統是指當使用者在體育運動訓練過程中產生疑問時,可以通過網絡與專業教練進行視頻交流,給出體育訓練相關指導.

2 體育運動訓練目標檢測算法設計

在對體育運動訓練進行誤差分析前,首先需要對采集的視頻數據進行處理,準確提取使用者的訓練姿態數據.由于在進行動作數據時,視頻中存在的復雜背景、其他無關人員等會對動作姿態的提取造成干擾,因此需要對視頻進行處理,其后才能提取訓練姿態數據.根據體育運動訓練針對的運動不同,可以分為單目標識別和多目標識別.其中單目標識別主要用于單個人的運動,多目標識別則針對籃球、足球等多人的運動訓練.

2.1 視頻圖像處理

在對視頻圖像進行目標識別之前,對視頻圖像進行預處理,以降低視頻圖像中可能存在的噪聲,使圖像清晰,提高目標識別的準確率.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

對視頻圖像進行灰度化處理是為了提升誤差分析的速率、減小數據庫的內存,處理方法采用加權平均值法,即對各彩色進行權值處理后的平均值,計算公式如下:

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

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

(1)

式中:Q為圖像中的除(p,q)外所有的點坐標集合;m為點坐標的數量.最后,需要將圖像顏色空間RGB轉變為計算機可識別的HSV空間,轉換公式如下:

圖像處理完成后,對圖像中的目標進行識別.

2.2 單目標識別檢測算法設計

對于單目標的識別,采用兩幀差分法和背景差分法結合,取各算法的優點對單目標進行識別.視頻圖像中的單目標識別流程如圖7所示.

圖7 視頻圖像中的單目標識別流程圖

在進行視頻圖像處理時,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,設定圖像的最大閥值為Hm,若C1(x,y)的結果超過最大閥值,則對圖像的背景進行二值差分處理,如式(3)所示:

(3)

式中:C2(x,y)為視頻圖像的背景進行二值差分處理后的結果;Bk(x,y)為第k幀圖像的背景;H2為視頻圖像背景進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果有很大的影響.

按照經驗選取閥值的傳統方法對圖像的限制較多,處理效果不理想.本文設計了自適應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幀視頻圖像進行差分處理后的結果中,其背景區域未進行差分處理,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行差分處理的目標區域圖像,進而求得整個目標區域的閥值H1.該圖像塊的灰度均值μk和方差σk2計算方式如下:

則目標區域的閥值H1為:

俄羅斯傳統上專用于搭載巡航導彈的潛艇艦隊主要執行反艦任務，特別是可直接打擊北約的航母戰斗群。目前正逐步向對陸攻擊能力轉型。

H1k=βσk+μk,

視頻圖像背景區域閥值H2的計算方法與H1相同.

第三步為對圖像和背景的灰度處理結果進行相與運算,如式(4)所示:

(4)

式中:X(x,y)為相與運算后初步確定的單目標運動區域.但是,在該區域內,除了包含需要識別的單目標外,還可能由于噪聲的影響將樹枝等背景誤判為識別目標,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行形態學處理,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的外界矩形框,其中心點位置即為目標位置,坐標(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.

2.3 多目標識別檢測算法設計

對于視頻圖像中多目標的識別,可以采用卷積神經網絡.首先對預處理后的視頻圖像的有效特征進行卷積處理,處理方式如式(5)所示:

(5)

式中,Mm為輸入網絡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進行激活,如式(6)所示:

(6)

式中:down()為下采樣函數;β和b分別為與輸出特征對應的乘性偏執系數和加性偏執系數.為了輸出最優質的的視頻圖像,需要針對圖像進行學習,學習后輸出的視頻圖像如式(7)所示:

(7)

式中,αmn為第m個圖像輸出時的權值.權值需要滿足以下條件:

為了加強對權值的約束,將權值轉化為softmax函數,如式(8)所示:

(8)

式中,cmn為每個權值的狀態權值.根據實際的要求,網絡更注重對特征處理后的更新,同時為了便于計算和應用,cmn中的m可以去掉.視頻圖像對cm求偏導,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質的視頻圖像.其后,針對視頻圖像建立二進制分類器,對視頻圖像進行訓練,同時根據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,并確定多目標的質心.

3 運動訓練姿態檢測仿真分析

3.1 評價指標的確定

為了對體育運動訓練誤差檢測系統進行定量評價,選擇采用召回率和精確率作為評價指標,召回率R和精準率P的計算分別如下:

式中:Sc和Sf分別為識別出的正確和錯誤動作數量;Sw為未識別出來的錯誤動作數量.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 仿真實驗和結果

為了驗證該體育運動訓練誤差檢測系統的性能,采用2021年澳大利亞網球公開賽、2021年中國網球巡回賽昆明站、蘇迪曼杯2021年比賽的視頻作為實驗數據.首先采用人工識別的方式統計錯誤的技術動作數量,結果如表1所列.

表1 人工識別錯誤技術動作數量

針對以上人工識別結果,利用交叉驗證的方法形成仿真實驗的訓練數據集和測試數據集.然后,分別采用該系統、姿勢序列有限狀態機識別的方法以及關鍵幀的人體動作識別方法分別對比賽視頻的錯誤技術動作進行識別,計算以上3種識別方法的召回率和精確率.結果如圖8(a)和圖8(b)所示.

(a)召回率

(b)精準率圖8 網球比賽錯誤動作識別結果

由圖8可知,當錯誤技術動作數量低于100次時,3種方法的召回率基本一致;高于100次時,本系統度對錯誤技術動作識別的召回率呈上升趨勢,且召回率遠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動作數量的增加呈下降趨勢,但是本系統的精確率下降緩慢,且始終高于其他兩種方法.綜上所述,本系統對錯誤技術動作識別的效果良好.

4 結論

針對目前人們糾正體育運動訓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設計了體育運動訓練誤差檢測系統,通過對訓練過程進行自動測量,實現了對訓練過程誤差的測量和分析.該系統與其他錯誤動作識別方法相比,精準率更高.

但是,目前該系統還未在多人訓練過程如足球和籃球運動中進行試驗和應用,因此在后續的工作中可以考慮將其進行改進,嘗試在多人運動比賽中得到應用.