一種便攜式體育訓練即時數據分析系統設計

王沛

摘 要： 運動分析技術已被廣泛用于監測運動員傷害的可能性研究，然而，該類技術所采用的設備大部分都很昂貴，目前只能在實驗室環境中使用，并且只能對每次移動動作進行少量檢測。提出了一種新穎的動態運動分析框架，使用可佩戴慣性傳感器來準確評估運動員在真實訓練環境中的所有活動;并利用該框架設計了一個分析系統，系統使用離散小波變換（DWT）和隨機森林分類器自動分類大范圍的訓練活動，分類器能夠以高達98%的準確度成功分類各種活動。其次，使用計算有效的梯度下降算法來估計安裝在對象的小腿、大腿和骨盆上的可佩戴式慣性傳感器的相對方位，由此計算屈伸膝關節和髖關節角度;這些角度以及骶骨沖擊加速度會在慢跑過程中為每個步幅自動提取。最后，生成規范性數據并用于確定受試者的移動技術是否與規范性數據不同以確定潛在的受傷相關因素。

關鍵詞： 運動分析; 離散小波變換; 訓練即時數據; 自動分類

中圖分類號： TP393

文獻標志碼： A

文章編號：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

運動對于身體的心血管、肌肉骨骼和心理健康有較大的益處，然而在運動過程中，下半身肌肉骨骼損傷是非常普遍的。幾乎所有的損傷都是由于組織上相對過度的負載，即相對于組織強度的高負載造成的。隨著科技的發展，利用各種傳感技術對運動員運動過程中各種運動技術數據進行實時采集，來確定運動員受傷的傾向[1]以及可能造成傷害的相關運動項目（例如跑步，跳躍、著陸等）。一般來說，運動員完成每個動作的1-5次最大努力試驗，并將其結果與規范值進行比較。這些測試幾乎完全在實驗室完成，因為基于生物力學的運動分析系統傾向于基于相機，在測試期間必須保持空間固定，并且傾向于受到不斷變化的照明條件的負面影響，影響因素包含如下：

1） 運動員通常高度關注他們如何完成任務，因此可能不會使用他們通常在訓練課程或比賽中使用的運動技術。

2） 受控的實驗室環境并不能實際反映培訓環境的條件（例如不均勻/濕地，疲勞條件等）。

3） 僅使用1到5次試驗來代表運動員如何完成運動技術是不可靠的。

4） 由于受試運動員人數少，因此很多體育項目缺乏規范性數據分析。

解決以上評估挑戰的方法是使用可在整個培訓課程或競賽活動中佩戴的傳感器，檢測運動員的關節角運動和沖擊加速度。身體上的加速度計可以用來根據牛頓的第二運動定律（F=ma）來推斷每次足底接觸時的數據加載。

1?框架介紹

如圖1所示為框架的組成部分，主要包含三個部分：i） 活動分類;ii） 峰值沖擊加速度識別、傳感器方向計算、屈伸膝關節、髖關節角度識別;iii） 結果分析。本文只給出與骶骨沖擊加速度以及膝關節和髖關節屈伸角度相關的結果，以便舉例說明該過程并避免不必要的重復，實現框圖如圖1所示。

1.1?活動分類

自動活動分類用于識別不同的培訓活動，因為這可以讓體育和健康專業人員更快速地評估培訓課程。這將使他們能夠通過活動快速細分運動員的訓練課程，從而更容易地定位所需的數據，這種方法有助于構建一個數據庫，包含訓練期間和訓練結束后運動員關鍵數據的變化。

該研究中，國內外學者已研究出了四種不同的分類器，用以創建最準確的分類系統。分別為Lazy IBk、RBF Network、Naive Bayes和Random Forest。Lazy IBk是采用k-NN分類算法，已證明k-NNs在人類活動問題上有較好的分類結果[2]。而RBF網絡是一個人工神經網絡（Artificial Neural Network，ANN）分類器，這個分類器也能夠成功地區分不同的人類活動[3]。Naive Bayes是以Bayes算法作為分類策略，該類分類策略一直被應用于各種分類問題的解決[4]。Random Forest是一種相對較新的決策樹分類器，但該類算法需要較強的理論基礎，并已成功用于識別人類運動。大部分活動分類的先前研究都涉及識別日常任務，例如進食、上下樓梯、坐著、刷牙、靜止、行走和跑步等運動。

在對運動員的活動進行分類時，每個運動員進行的練習例程首先被分割并注明所有活動并用于創建一套訓練集。然后選擇3秒的窗口長度，因為這是完成每個選定的訓練活動的充足時間。離散小波變換（DWT）已經成功地用于從加速度計數據中提取判別特征作為分類的基礎。小波變換通過將信號分解為選定母小波的多個時移和縮放版本來工作。

這些X，Y，Z矢量已被用于幫助識別足球和曲棍球的體育活動[5]。DWT分解運動級別i的總能量ET由如式（1）。

其中Ai是第i級的近似系數，ATi是Ai的轉置，Di是第i級的詳細系數，EDRA表示近似系數的能量比，而EDRDj表示細節系數的能量比，分別表示如式（2）、式（3）。

1.2?技術分析

本節詳細介紹的練習是慢跑任務，選擇這個項目是因為它包含了三項可以構成大多數行動的動作：一個與地面接觸階段，一個裝載階段以及一個擺動階段。慢跑任務是根據上述分類方法給出的信息提取的，隨后使用膝關節角度和脛骨加速度來識別腳接觸周期（腳跟著地到下一次腳跟著地）。腳跟著地被定義為在膝關節角度數據（即擺動階段）中的每個循環局部最大值之后的加速度的突然變化;隨后，提取膝關節和髖關節角度;分離的膝關節和髖關節角度曲線在試驗和運動員之間表現出相似的模式，這與預期的時間特征不同。為了保持曲線形狀的所有信息（局部最大值和最小值的大小和時間），使用如下兩種方法創建規范曲線：（a） 在沒有登記的情況下對腳接觸周期進行平均化，即生物力學中最常用的方法;（b） 在平均腳接觸周期之前執行相移配準方法，如式（4）、式（5）。

對于多個δj，相移注冊在腳接觸周期i內將每個波形x的時域改變δj以找到其中注冊標準處于其最小值處的δj。本文所使用的標準（平方標準誤差，SSE）是針對每個波形相對于其特定時間間隔t內的總體平均值μ^（t）計算的。這個過程適用于每一次足部接觸周期以確定每個足部接觸周期i的最佳δj;隨后，使用最佳δj登記這些曲線，在所有波形被登記后，整體平均值被更新并且整個過程被重復n次，直到登記標準中沒有發生顯著變化（SSEn-1≤SSEn≈SSEn+1）。為了檢查平均曲線和登記平均曲線之間是否存在差異，使用特性分析來檢查曲線，這種方法提供了比離散點分析或功能主成分分析更全面的比較，由于其識別隨后用于生成主題分數的數據變化的階段。

2?實驗及評估

2.1?數據收集

為了評估所提出的框架，使用六個可佩戴的慣性傳感器來捕獲9名健康受試者和一名患有腰痛的受傷受試者的行動。本研究選擇不同技能熟練程度的受試者進行研究，以提供廣泛的變化（即速度，運動技術等）來驗證框架。將WIMU（Wearable Inertial Measurement Units，可穿戴式慣性測量裝置）放置在受試者的左/右小腿、大腿的左/右大腿以及骨盆和骶骨上，如圖2所示。

選擇每個身體部位上的傳感器的位置以避免大的肌肉;因為肌肉收縮和腳底撞擊引起的軟組織變形可能會對沖擊加速度和關節方位估計的準確性產生負面影響。傳感器用雙面膠帶和尼龍搭扣帶固定在主體上，織物具有一定的彈性，從而不會限制主體的移動和性能。隨后要求受試者按照他們通常在戶外訓練期間執行的一系列行動。每個科目都在大型室外草地足球場上進行預定義的訓練。練習套路包括以下動作：敏捷性切割、步行、沖刺、慢跑、跳箱和足球任意球。每個動作大約持續60秒，整個過程大約需要9-10分鐘[6-8]。

每個傳感器的數據被記錄到設備上的內部SD卡上，由于每個傳感器都獨立記錄數據，因此需要一個物理事件來將所有設備同步到一起。通過指示每個主體執行5個垂直跳躍來實現的，從而確保每個設備上同時發生大的加速度峰值，這在加速度計流中將清晰可見。在后處理步驟中，自動執行峰值對齊，并且所有數據流在第一次垂直跳躍著陸之前被剪裁到兩秒鐘。每個數據捕捉會話的錄像也被記錄和注釋，以作為自動分割和識別運動類別（即慢跑，敏捷性削減，短跑等）的基礎事實。

2.2?分類評估

采用隨機森林分類器測試的記錄數據，如表1所示。

利用1所示的測試數據，對訓練期間分類器的精確度，召回率和F度量值進行記錄，如表2所示。

從表2中可以看出，F-測量值在0.913到0.992之間變化，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。

訓練和測試不同分類模型所需的時間，如表3所示。

每個分類器在測試數據實例時都非常快速，但多層感知器需要花費大約10分鐘來訓練單個模型。每個分類器區分數據集中不同活動的能力如圖3所示。

表3中RF、NB、MP分別代表Random Forest、Naive Bayes、RBF Network。總體而言，隨機森林（Random Forest）分類器是最準確的。步行是一個非常低的能量活動，因此每個分類器都能很好地將其與其他活動區分開來。同樣，敏捷性削減而像沖刺和踢踢這樣的高能量活動被大多數分類器認可，因為它涉及非常不同的頻率和運動模式。每個活動都有獨特的特征，可以讓每個分類器區分它們。由于DWT的效率，相對少量的特征被輸入到每個分類器中，使得分類過程非常快速。

3?總結

本文描述了一種新穎的身體磨損慣性傳感器框架，能夠自動分割和分類室外無約束環境中的各種動作，提取骶骨峰值沖擊加速度，并計算使用連續數據的伸展—屈曲膝關節和髖關節角度分析來生成準確的規范數據，并將個人與這些規范性數據進行比較。所提出的框架對于在整個訓練和競賽過程中對運動員進行監測具有顯著的潛力：（a） 識別傷害和表現相關的決定因素;（b） 在廣泛的組織損傷之前在受傷途徑中早期識別個體;（c） 由于運動員的移動技術，識別易受傷害的個體。

參考文獻

[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. 不同振頻的振動訓練對不同專項運動員下肢爆發力的即時影響研究[D].天津：天津體育學院，2016.

[7]?張奕蕓. 基于虛擬儀器的力量素質測試系統的研制與應用[D].武漢：武漢體育學院，2012.

[8]?張大超.運動訓練過程監控基本理論體系的構建[J].武漢體育學院學報，2007（12）：53-61.

（收稿日期： 2018.06.06）