運動智能指標的電子采集終端設計與實現

唐大鵬

摘 ?要： 為了能夠根據運動指標的具體類型，完成指標的分類處理，設計運動智能指標的電子采集終端。通過硬件框架設計、通信接口設計、操作平臺設計，完成運動智能指標電子采集終端的硬件設計;通過主程序設計、主站命令處理程序設計、其他程序設計，完成運動智能指標電子采集終端的軟件設計。模擬該終端的運行環境設計對比實驗，結果表明，應用運動智能指標的電子采集終端后，指標間相互影響關系得到抑制，可在最短時間內完成運動指標分類，提升指標分類處理速度。

關鍵詞： 運動智能指標; 電子采集終端; 硬件框架; 通信接口; 軟件主程序; 主站命令處理

中圖分類號： TN99?34; TP391 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2018）10?0031?04

Abstract： An electronic acquisition terminal for sports intelligent index was designed to accomplish the classification processing of indices according to the specific types of sports indices. The hardware design of the electronic acquisition terminal for sports intelligent index was accomplished by means of the design of hardware framework， communication interface， and operation platform. The software design of the electronic acquisition terminal for sports intelligent index was accomplished by means of the design of main program， master station command processing program， and other programs. The contrast experiment was designed by simulating the operating environment of the terminal. The result shows that the electronic acquisition terminal for sports intelligent index can suppress the interaction influence relationship between indices， accomplish sports index classification within the shortest time， and improve the processing speed of index classification.

Keywords： sports intelligence index; electronic acquisition terminal; hardware framework; communication interface; software main program; master station command processing

為了解決運動指標分類問題，通過構建封閉式系統的方式，統一指標處理過程中必須應用到業務標準及程序接口。這樣的指標分類方式雖然建立了統一的運動指標分類規則，但待處理運動指標總量過于龐大時，原有方式的分類速度明顯不能滿足人們的需求。為解決此問題，建立運動智能指標的電子采集終端就顯得極為有必要[1?2]。運動智能指標的電子采集終端不再使用傳統的單片機充當硬件模塊，而是在新型的ARM的目標板上，以Linux系統作為操作平臺的建立基礎，并通過平臺層模塊間的嵌套關系實現Linux系統操作平臺的順利運行。運動智能指標的電子采集終端的軟件部分，既包含了相關主程序及主站處理命令，也對其他程序進行規范限定，在管理進程通信代碼的同時完成主調度代碼的順利實現。對于整體采集終端來說，是以電子技術作為建立依據，并在此基礎上，通過相關計算機手段完善終端的整體搭建[3]。通過運動智能指標電子采集終端的應用，不僅解決了原有指標分類方法中系統過于封閉、業務標準及程序接口過于單一的問題，也使得運動指標間的相互影響關系，得到了有效的抑制，并最終達到提升指標分類處理速度的目的。

1 ?運動智能指標電子采集終端硬件設計

運動智能指標電子采集終端硬件設計依靠硬件框架設計、通信接口設計、操作平臺設計三部分完成，具體搭建方法如下所述。

1.1 ?運動智能指標電子采集終端硬件框架

運動智能指標電子采集終端硬件框架的核心結構為STM32F103主控芯片;并由該芯片與接口模塊、運動指標存儲模塊、運動指標采集模塊等主要結構進行信息交流[4]。其中，電源模塊不能與STM32F103主控芯片直接產生信息交流。該模塊只能先與運動指標采集模塊進行相互交流，再由運動指標采集模塊將與電源模塊有關的信息傳輸至STM32F103主控芯片，以供后續的信息交流使用。具體框架結構如圖1所示。

1.2 ?運動智能指標電子采集終端通信接口

運動智能指標電子采集終端通信接口由4個具有不同功能的接口共同組成。其中，遠程通信接口負責在移動網絡中采集運動智能指標，并建立與之相關的傳輸或連接協議。本地通信接口負責將遠程通信接口采集到的運動指標進行光耦隔離處理，以提高輸入端指標的安全性和可靠性[5?6]。人機接口負責對需要顯示的運動指標數據進行顯示前處理，再將處理后的數據傳輸至顯示模塊進行顯示。其他接口負責與電源模塊和運動指標采集模塊相連，通過電壓互感器等裝置將待測量電壓、電流，轉化成微弱的電信號。具體通信接口分類及其功能如表1所示。

1.3 ?運動智能指標電子采集終端操作平臺

運動智能指標電子采集終端操作平臺，包括應用層、操作系統層、硬件層三部分。其中，應用層由運動指標數據、負控平臺、顯示運動指標程序三大結構組成。操作系統層包括運動指標文件、系統庫、進程管理等結構，且這些結構都包含在Linux內核中，受到設備驅動接口控制[7?8]。硬件層的核心設備為AT91SAM9260設備，該設備作為硬件驅動，與設備驅動接口進行運動指標的實時交換。操作平臺具體結構如圖2所示。

2 ?運動智能指標電子采集終端軟件設計

上述完成了運動智能指標電子采集終端硬件設計，為了使該終端的功能更加完善，還需按照如下步驟完成軟件部分搭建。

2.1 ?運動智能指標電子采集終端軟件主程序

運動智能指標電子采集終端軟件主程序由前臺應用程序和后臺應用程序兩部分組成。其中，前臺應用程序主要負責運行終端的開機自檢程序，并根據不同的主程序要求，對相關硬件設施進行程序初始化。在確定所有設備中存儲的運動指標數據準確無誤后，令后續子程序模塊開始執行新一輪程序[9]。后臺應用程序可促進各級通信接口的相互連接，并檢查每個接口中的運動指標數據是否符合接口要求，確認無誤后，將指標數據傳輸給處理模塊進行二次處理。主程序處理流程如圖3所示。

2.2 ?運動智能指標電子采集終端主站命令處理

運動智能指標電子采集終端主站命令處理，包含主站命令的接收與執行、主站命令的傳輸兩部分。為了和主站間保持有效而緊密的連接，命令處理模塊會不定期發送運動指標數據包，并促使主站命令接收模塊，對數據包中的指標進行分析、判斷，將分析結果傳輸至執行模塊，令該模塊按照結果執行主站命令[10?11]。在上述過程中，主站命令傳輸模塊作為線性結構，為運動智能指標的傳輸提供保障。具體主站命令處理流程如圖4所示。

2.3 ?運動智能指標電子采集終端其他軟件程序

運動智能指標電子采集終端的其他軟件程序包含運動指標數據定時上報、指標數據統計與處理、數據采集工況監控三大主要環節[12]。其中：運動指標數據定時上報，負責將采集到的運動指標數據，在準確的時間上報給上機數據接收組織，再從存儲模塊中，重新調取運動指標數據;指標數據統計與處理，負責對初步采集到的運動指標數據進行統計分析，并判斷當運動指標數據需量達到最大時，所需要的指標配置參數[13];數據采集工況監控，負責對運動指標數據進行輸入/輸出狀態監控，當指標數據輸入、輸出狀態發生改變時，數據采集工況監控模塊會自動生成事件記錄數據，并將該數據傳輸給數據庫進行儲存。詳細軟件程序分類情況見表2。

3 ?實驗結果與分析

第二節完成了運動智能指標電子采集終端的設計與實現。為了驗證該終端的實用性價值，模擬其使用環境進行實驗，對比應用該終端前后運動智能指標間相互影響關系、指標分類速度。

3.1 ?實驗參數設置

實驗開始前，可遵照表3完成實驗參數設置。表3中參數名稱依次為運動指標總量、影響關系系數、預期分類時間、終端連接系數、終端連接效率、電子采集系數。為保證實驗的公平性，應用該終端前后的參數配置均遵照表3。

3.2 ?指標間相互影響關系對比

完成實驗參數設置后，首先應用普通方法進行運動智能指標采集，再應用運動智能指標電子采集終端進行運動智能指標采集。在采集過程中，應用該終端前、后指標間相互影響關系如圖5、圖6所示。

圖5中圓點代表運動智能指標，點與點之間的連線代表指標間的相互影響關系，線與線之間保持相互獨立，且不發生交叉關系，代表指標間相互影響關系較小。若線與線之間不能相互獨立，且發生明顯交叉，代表指標間相互影響關系較大。對比圖5、圖6，可發現應用終端前、后都具有四個基礎指標原點，但應用終端前線與線之間交叉明顯，而應用終端后線與線之間保持相互獨立狀態。所以，可證明應用運動智能指標電子采集終端，可有效抑制指標間相互影響關系。

3.3 ?運動指標分類速度對比

完成指標間相互影響關系對比后，應用特殊測量方法完成運動指標分類速度對比。運動指標分類速度與BTE變量間存在反比關系，當BTE變量數值越大時，運動指標分類速度越慢，反之則越快，具體對比情況見圖7。

分析圖7可知，應用該終端前BTE指標，隨著運動指標總量的增加，始終呈現上漲趨勢。應用該終端后BTE指標，隨著運動指標總量的增加，雖有小幅度增長，但始終保持在應用該終端前BTE指標下方。所以，可證明應用運動智能指標電子采集終端，指標分類處理速度得到明顯提升。

4 ?結 ?語

通過硬件搭建與軟件搭建相結合的方式，完成運動智能指標電子采集終端的設計與實現。利用模擬實驗的方式，證明該終端確實具備極高的實用價值。

參考文獻

[1] 馬艷娜，唐華，柯紅軍.基于移動終端的遙感監測數據采集系統設計與實現[J].測繪與空間地理信息，2017，40（4）：120?122.MA Yanna， TANG Hua， KE Hongjun. The system design and implementation of remote sensing data acquisition based on mobile terminal [J]. Geomatics & spatial information technology， 2017， 40（4）： 120?122.

[2] 孫旭，楊印生，劉春霞，等.生鮮農產品供應鏈近場通信智能數據采集終端系統設計與開發[J].農業工程學報，2015，31（8）：200?206.

SUN Xu， YANG Yinsheng， LIU Chunxia， et al. Design and development of near field communication intelligent data acquisition terminal system in fresh agricultural product supply chain [J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（8）： 200?206.

[3] 任明秋，嚴革新，朱勇，等.復雜電磁環境下雷達抗干擾性能測試方法研究[J].儀器儀表學報，2016，37（6）：1277?1282.

REN Mingqiu， YAN Gexin， ZHU Yong， et al. Study on radar anti?jamming performance test method in complex electromagnetic environment [J]. Chinese journal of scientific instrument， 2016， 37（6）： 1277?1282.

[4] 牟柳，陳馬強，田廣.優秀網球運動員競技能力模糊綜合評價研究[J].西南師范大學學報（自然科學版），2017，42（3）：61?65.MOU Liu， CHEN Maqiang， TIAN Guang. On fuzzy comprehensive evaluation of competitive ability of elite tennis players in China [J]. Journal of Southwest China Normal University （Natural science edition）， 2017， 42（3）： 61?65.

[5] 張光磊，齊紅，賈鶴鳴.基于極點配置的智能體PID運動控制器參數優化[J].中山大學學報（自然科學版），2015，54（4）：23?28.ZHANG Guanglei， QI Hong， JIA Heming. Parameter optimization of agent PID motion controller based on pole assignment [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni， 2015， 54（4）： 23?28.

[6] 姜艷秋，葉瑰昀，楊愛軍.基于BP神經網絡虛擬人運動控制方法的研究與實現[J].齊齊哈爾大學學報（自然科學版），2015，31（5）：12?14.

JIANG Yanqiu， YE Guiyun， YANG Aijun. Research and implementation of virtual human motion control method based on BP neural network [J]. Journal of Qiqihar University （Natural science edition）， 2015， 31（5）： 12?14.

[7] 陳偉海，徐穎俊，王建華，等.并聯式下肢康復外骨骼運動學及工作空間分析[J].機械工程學報，2015，51（13）：158?166.

CHEN Weihai， XU Yingjun， WANG Jianhua， et al. Kinematics and workspace analysis of parallel lower limb rehabilitation exoskeleton [J]. Journal of mechanical engineering， 2015， 51（13）： 158?166.

[8] 劉宏，柳林，張孟超.非剛性配準運動校正算法與雙扇區重組對改善冠狀動脈CTA圖像質量的對比分析[J].影像診斷與介入放射學，2016，25（6）：457?460.

LIU Hong， LIU Lin， ZHANG Mengchao. Improving the image quality of coronary CT angiography using a novel non?rigid registration based motion correction algorithm： in comparison with bi?sector reconstruction [J]. Diagnostic imaging & interventional radiology， 2016， 25（6）： 457?460.

[9] 謝海員，紀濱，胡宏智，等.基于曲率特征豬腹式呼吸運動波形圖建模方法[J].蘇州科技學院學報（自然科學版），2016，33（3）：66?70.

XIE Haiyuan， JI Bin， HU Hongzhi， et al. A waveform model based on curvature radius for swine′s abdominal breathing [J]. Journal of Suzhou University of Science and Technology （Natural science edition）， 2016， 33（3）： 66?70.

[10] 顧巖，何其昌，范秀敏，等.狹小空間虛擬人手臂裝配運動規劃及智能尋優[J].計算機集成制造系統，2016，22（6）：1447?1455.

GU Yan， HE Qichang， FAN Xiumin， et al. Motion planning and intelligent optimization of virtual human arm for narrow space assembly simulation task [J]. Computer integrated manufacturing systems， 2016， 22（6）： 1447?1455.

[11] PARESCHI F， ALBERTINI P， FRATTINI G， et al. Hardware?algorithms co?design and implementation of an analog?to?information converter for biosignals based on compressed sensing [J]. IEEE transactions on biomedical circuits & systems， 2016， 10（1）： 149?162.

[12] SUN X， YANG Y， LIU C， et al. Design and development of near field communication intelligent data acquisition terminal system in fresh agricultural product supply chain [J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（8）： 200?206.

[13] TAKAHASHI Y， HATANO H， MAIDA Y. Motion segmentation and recognition for imitation learning and influence of bias for learning walking motion of humanoid robot based on human demonstrated motion [J]. Journal of advanced computational intelligence & intelligent informatics， 2015， 19（4）： 532?543.