一种便携式体育训练即时数据分析系统设计

王沛

摘 要： 运动分析技术已被广泛用于监测运动员伤害的可能性研究，然而，该类技术所采用的设备大部分都很昂贵，目前只能在实验室环境中使用，并且只能对每次移动动作进行少量检测。提出了一种新颖的动态运动分析框架，使用可佩戴惯性传感器来准确评估运动员在真实训练环境中的所有活动;并利用该框架设计了一个分析系统，系统使用离散小波变换（DWT）和随机森林分类器自动分类大范围的训练活动，分类器能够以高达98%的准确度成功分类各种活动。其次，使用计算有效的梯度下降算法来估计安装在对象的小腿、大腿和骨盆上的可佩戴式惯性传感器的相对方位，由此计算屈伸膝关节和髋关节角度;这些角度以及骶骨冲击加速度会在慢跑过程中为每个步幅自动提取。最后，生成规范性数据并用于确定受试者的移动技术是否与规范性数据不同以确定潜在的受伤相关因素。

关键词： 运动分析; 离散小波变换; 训练即时数据; 自动分类

中图分类号： TP393

文献标志码： A

文章编号：1007-757X（2019）06-0107-04

Abstract： Motion analysis techniques have been widely used to monitor the possibility of injury to athletes. However， most of the equipment used in this type of technology is expensive and can only be used in laboratory environments and for each movement. And the action is tested in small amounts. This paper presents a novel dynamic motion analysis framework that uses wearable inertial sensors to accurately assess all activities of athletes in a real training environment. The framework is used to design an analysis system， and the system uses discrete wavelet transform （DWT） and random forest classifier to automatically classify a wide range of training activities， the classifier can successfully classify various activities with an accuracy of up to 98%. The system uses Calculate， an effective gradient descent algorithm， to estimate the relative orientation of the wearable inertial sensors mounted on the leg， thigh and pelvis of the subject， thereby calculating the flexion and extension knee and hip joint angles. These angles and the impact acceleration of the tibia will be automatically extracted for each step during jogging. Finally， normative data are generated and used to determine if the subject's mobile technology is different from the normative data and to determine potential injury-related factors.

Key words： Motion analysis; Discrete wavelet transform; Training instant data; Automatic classification

0 引言

運动对于身体的心血管、肌肉骨骼和心理健康有较大的益处，然而在运动过程中，下半身肌肉骨骼损伤是非常普遍的。几乎所有的损伤都是由于组织上相对过度的负载，即相对于组织强度的高负载造成的。随着科技的发展，利用各种传感技术对运动员运动过程中各种运动技术数据进行实时采集，来确定运动员受伤的倾向[1]以及可能造成伤害的相关运动项目（例如跑步，跳跃、着陆等）。一般来说，运动员完成每个动作的1-5次最大努力试验，并将其结果与规范值进行比较。这些测试几乎完全在实验室完成，因为基于生物力学的运动分析系统倾向于基于相机，在测试期间必须保持空间固定，并且倾向于受到不断变化的照明条件的负面影响，影响因素包含如下：

1） 运动员通常高度关注他们如何完成任务，因此可能不会使用他们通常在训练课程或比赛中使用的运动技术。

2） 受控的实验室环境并不能实际反映培训环境的条件（例如不均匀/湿地，疲劳条件等）。

3） 仅使用1到5次试验来代表运动员如何完成运动技术是不可靠的。

4） 由于受试运动员人数少，因此很多体育项目缺乏规范性数据分析。

解决以上评估挑战的方法是使用可在整个培训课程或竞赛活动中佩戴的传感器，检测运动员的关节角运动和冲击加速度。身体上的加速度计可以用来根据牛顿的第二运动定律（F=ma）来推断每次足底接触时的数据加载。

1 框架介绍

如图1所示为框架的组成部分，主要包含三个部分：i） 活动分类;ii） 峰值冲击加速度识别、传感器方向计算、屈伸膝关节、髋关节角度识别;iii） 结果分析。本文只给出与骶骨冲击加速度以及膝关节和髋关节屈伸角度相关的结果，以便举例说明该过程并避免不必要的重复，实现框图如图1所示。

1.1 活动分类

自动活动分类用于识别不同的培训活动，因为这可以让体育和健康专业人员更快速地评估培训课程。这将使他们能够通过活动快速细分运动员的训练课程，从而更容易地定位所需的数据，这种方法有助于构建一个数据库，包含训练期间和训练结束后运动员关键数据的变化。

该研究中，国内外学者已研究出了四种不同的分类器，用以创建最准确的分类系统。分别为Lazy IBk、RBF Network、Naive Bayes和Random Forest。Lazy IBk是采用k-NN分类算法，已证明k-NNs在人类活动问题上有较好的分类结果[2]。而RBF网络是一个人工神经网络（Artificial Neural Network，ANN）分类器，这个分类器也能够成功地区分不同的人类活动[3]。Naive Bayes是以Bayes算法作为分类策略，该类分类策略一直被应用于各种分类问题的解决[4]。Random Forest是一种相对较新的决策树分类器，但该类算法需要较强的理论基础，并已成功用于识别人类运动。大部分活动分类的先前研究都涉及识别日常任务，例如进食、上下楼梯、坐着、刷牙、静止、行走和跑步等运动。

在对运动员的活动进行分类时，每个运动员进行的练习例程首先被分割并注明所有活动并用于创建一套训练集。然后选择3秒的窗口长度，因为这是完成每个选定的训练活动的充足时间。离散小波变换（DWT）已经成功地用于从加速度计数据中提取判别特征作为分类的基础。小波变换通过将信号分解为选定母小波的多个时移和缩放版本来工作。

这些X，Y，Z矢量已被用于帮助识别足球和曲棍球的體育活动[5]。DWT分解运动级别i的总能量ET由如式（1）。

其中Ai是第i级的近似系数，ATi是Ai的转置，Di是第i级的详细系数，EDRA表示近似系数的能量比，而EDRDj表示细节系数的能量比，分别表示如式（2）、式（3）。

1.2 技术分析

本节详细介绍的练习是慢跑任务，选择这个项目是因为它包含了三项可以构成大多数行动的动作：一个与地面接触阶段，一个装载阶段以及一个摆动阶段。慢跑任务是根据上述分类方法给出的信息提取的，随后使用膝关节角度和胫骨加速度来识别脚接触周期（脚跟着地到下一次脚跟着地）。脚跟着地被定义为在膝关节角度数据（即摆动阶段）中的每个循环局部最大值之后的加速度的突然变化;随后，提取膝关节和髋关节角度;分离的膝关节和髋关节角度曲线在试验和运动员之间表现出相似的模式，这与预期的时间特征不同。为了保持曲线形状的所有信息（局部最大值和最小值的大小和时间），使用如下两种方法创建规范曲线：（a） 在没有登记的情况下对脚接触周期进行平均化，即生物力学中最常用的方法;（b） 在平均脚接触周期之前执行相移配准方法，如式（4）、式（5）。

对于多个δj，相移注册在脚接触周期i内将每个波形x的时域改变δj以找到其中注册标准处于其最小值处的δj。本文所使用的标准（平方标准误差，SSE）是针对每个波形相对于其特定时间间隔t内的总体平均值μ^（t）计算的。这个过程适用于每一次足部接触周期以确定每个足部接触周期i的最佳δj;随后，使用最佳δj登记这些曲线，在所有波形被登记后，整体平均值被更新并且整个过程被重复n次，直到登记标准中没有发生显着变化（SSEn-1≤SSEn≈SSEn+1）。为了检查平均曲线和登记平均曲线之间是否存在差异，使用特性分析来检查曲线，这种方法提供了比离散点分析或功能主成分分析更全面的比较，由于其识别随后用于生成主题分数的数据变化的阶段。

2 实验及评估

2.1 数据收集

为了评估所提出的框架，使用六个可佩戴的惯性传感器来捕获9名健康受试者和一名患有腰痛的受伤受试者的行动。本研究选择不同技能熟练程度的受试者进行研究，以提供广泛的变化（即速度，运动技术等）来验证框架。将WIMU（Wearable Inertial Measurement Units，可穿戴式惯性测量装置）放置在受试者的左/右小腿、大腿的左/右大腿以及骨盆和骶骨上，如图2所示。

选择每个身体部位上的传感器的位置以避免大的肌肉;因为肌肉收缩和脚底撞击引起的软组织变形可能会对冲击加速度和关节方位估计的准确性产生负面影响。传感器用双面胶带和尼龙搭扣带固定在主体上，织物具有一定的弹性，从而不会限制主体的移动和性能。随后要求受试者按照他们通常在户外训练期间执行的一系列行动。每个科目都在大型室外草地足球场上进行预定义的训练。练习套路包括以下动作：敏捷性切割、步行、冲刺、慢跑、跳箱和足球任意球。每个动作大约持续60秒，整个过程大约需要9-10分钟[6-8]。

每个传感器的数据被记录到设备上的内部SD卡上，由于每个传感器都独立记录数据，因此需要一个物理事件来将所有设备同步到一起。通过指示每个主体执行5个垂直跳跃来实现的，从而确保每个设备上同时发生大的加速度峰值，这在加速度计流中将清晰可见。在后处理步骤中，自动执行峰值对齐，并且所有数据流在第一次垂直跳跃着陆之前被剪裁到两秒钟。每个数据捕捉会话的录像也被记录和注释，以作为自动分割和识别运动类别（即慢跑，敏捷性削减，短跑等）的基础事实。

2.2 分类评估

采用随机森林分类器测试的记录数据，如表1所示。

利用1所示的测试数据，对训练期间分类器的精确度，召回率和F度量值进行记录，如表2所示。

从表2中可以看出，F-测量值在0.913到0.992之间变化，步行和敏捷性切割具有最高的F值，然后是慢跑，短跑，跳箱和足球踢。

训练和测试不同分类模型所需的时间，如表3所示。

每个分类器在测试数据实例时都非常快速，但多层感知器需要花费大约10分钟来训练单个模型。每个分类器区分数据集中不同活动的能力如图3所示。

表3中RF、NB、MP分别代表Random Forest、Naive Bayes、RBF Network。总体而言，随机森林（Random Forest）分类器是最准确的。步行是一个非常低的能量活动，因此每个分类器都能很好地将其与其他活动区分开来。同样，敏捷性削减而像冲刺和踢踢这样的高能量活动被大多数分类器认可，因为它涉及非常不同的频率和运动模式。每个活动都有独特的特征，可以让每个分类器区分它们。由于DWT的效率，相对少量的特征被输入到每个分类器中，使得分类过程非常快速。

3 总结

本文描述了一种新颖的身体磨损惯性传感器框架，能够自动分割和分类室外无约束环境中的各种动作，提取骶骨峰值冲击加速度，并计算使用连续数据的伸展—屈曲膝关节和髋关节角度分析来生成准确的规范数据，并将个人与这些规范性数据进行比较。所提出的框架对于在整个训练和竞赛过程中对运动员进行监测具有显着的潜力：（a） 识别伤害和表现相关的决定因素;（b） 在广泛的组织损伤之前在受伤途径中早期识别个体;（c） 由于运动员的移动技术，识别易受伤害的个体。

参考文献

[1] Bohdanna T Zazulak， Timothy E Hewett， N Peter Reeves， et al. Deficits in Neuromuscular Control of the Trunk Predict Knee Injury Risk A Prospective Biomechanical- Epidemiologic Study[J]. American Journal of Sports Medicine， 2007， 35（7）：1123.

[2] Zhou Z， Chen X， Chung Y C， et al. Activity Analysis， Summarization， and Visualization for Indoor Human Activity Monitoring[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2008， 18（11）：1489-1498.

[3] Ermes M， Prkka J， Mantyjarvi J， et al. Detection of daily activities and sports with wearable sensors in controlled and uncontrolled conditions[J]. IEEE Transactions on Information Technology in Biomedicine A Publication of the IEEE Engineering in Medicine & Biology Society， 2008， 12（1）：20.

[4] Ravi N， Dandekar N， Mysore P， et al. Activity recognition from accelerometer data[J]. www.aaai.org， 2005， 3：1541-1546.

[5] Mitchell E， Monaghan D， O'Connor N E. Classification of Sporting Activities Using Smartphone Accelerometers[J]. Sensors， 2013， 13（4）：5317-5337.

[6] 王超君. 不同振頻的振动训练对不同专项运动员下肢爆发力的即时影响研究[D].天津：天津体育学院，2016.

[7] 张奕芸. 基于虚拟仪器的力量素质测试系统的研制与应用[D].武汉：武汉体育学院，2012.

[8] 张大超.运动训练过程监控基本理论体系的构建[J].武汉体育学院学报，2007（12）：53-61.

（收稿日期： 2018.06.06）