人工智能輔助姿態識別和運動處方的研究

孔令凱，王 森

（中移（成都）信息通信科技有限公司，四川 成都 610000）

0 引言

《義務教育體育與健康課程標準（2022 年版）》（以下簡稱“新課標”）于2022 年秋季學期已開始正式施行。作為未來10 年我國基礎體育教育發展的綱領性文件，它的出現備受關注。體育教育的高質量落實到具體工作中需要以學生的發展為中心，更加關注學生的發展需求，教師要時刻關注學生的學習情況，包括態度、行為、方法與結果，基于學生的學情因材施教，及時調整和完善教法，增強學生的體育興趣，享受運動樂趣。本文采用人工智能技術，以立定跳遠這一常見運動為例，從如何發現學生運動的不規范性以及提出改進建議的角度出發，提出一套智能的學齡基礎體育動作識別、標準程度評估和體質提升建議系統，以期為推動青少年體育鍛煉協調發展提供實踐與應用參考。

1 姿態識別和處方系統的體系構建

1.1 標準動作模型的建立

利用視頻采集器采集標準學生動作，運用動作姿態估計算法對人體對象在執行技術動作過程中的動作姿態數據進行節點位置估計。通過分析不同性別的專業學生的標準技術動作，形成結構化標準技術動作的數據信息庫。同時，設計數據采集控制過程對原始數據進行平滑、降噪、合并，提取標準技術動作特征，建立動作特征庫。采用定量分析法，在體育專家指導下，將運動動作分為數個關鍵節點及階段，評估人體骨骼關節點在完成各階段技術動作過程中的參與度，建立學生年齡段內，不同性別、年齡的標準動作量化模型，作為技術動作判斷識別的評價標準。

1.2 現場學生動作采集及與標準動作對比判定

基于邊緣計算服務器平臺，使用視頻采集器對參加立定跳遠等運動的學生進行實時采集，分析、提取運動序列特征，與標準動作模型進行比對。結合專家意見，研發不同的運動、不同的關鍵節點、關鍵階段的體育動作動態判定標準，例如，在某些情況下，應去除運動速率、節奏的影響后進行標準判定。在邊緣計算服務器的算力支持下，實時進行當前學生與標準動作間的關鍵指標差異性評估工作，對關鍵動作執行情況、動作整體完成情況進行評分。同時，存儲個人歷史信息數據，為學生改進技術動作提供連貫性的指導參考依據。

1.3 智能生成對學生體育動作的改進建議和個性化訓練方案

針對學生，特別是初學者難以覺察自身運動過程或姿態是否規范的問題，以學生現場數據評分為基礎，結合專家的指導意見，形成動作及訓練方向改進專家指導意見庫。憑借邊緣計算服務器的實時處理能力，替代指導教練員，對學生進行不間斷的觀察、反饋、指導，在運動現場為學生提供即時的動作改進意見，達到去除多余動作，糾正錯誤動作，使學生練習的運動技術逐漸精確化的目的，避免學生盲目、機械、無效地重復練習錯誤動作。此外，對學生動作不規范的原因進行綜合分析，給出針對性的訓練指導意見及訓練方法，并在持續的歷史數據追蹤過程中豐富專家指導意見庫的內容，形成良性循環。

2 姿態識別和處方系統的技術實現

姿態識別和處方系統的實現框架如圖1 所示。

圖1 姿態識別和處方系統的實現框架圖

3 核心技術

3.1 輕量級實時運動姿態估計算法

姿態估計算法是一種支持多人、實時的輕量級人體姿態估計算法，適用于嵌入式設備、手機、邊端處理器等計算資源有限的終端設備，便于移動場景部署，適合體育、康復等運動評估場景。

姿態估計算法是一種魯棒性的姿態估計算法，對于坐、立、行、走、蹦、跳等人體不同姿態都具有非常好的穩定性。本文在COCO 數據集上mAP 的評測結果為75%，在MPII 上mAP 的評測結果為82%，居于業內領先水平。

姿態估計算法目前支持17 個關節點和26 個關節點位置估計，可根據使用場景進行選擇。本文精心設計的姿態估計網絡由三部分組成，分別是STN、SDTN、SPPE。三個模塊相互結合，其中STN 負責人體檢測框，SDTN 負責產生姿態估計結果，SPPE 在網絡訓練時進行正則化抑制。運動姿態估計描點圖如圖2 所示。

圖2 運動姿態估計描點圖

3.2 標準規范動作的采樣和歸一化方法

各個運動項目應分別構建標準動作規范庫，如仰臥起坐、立定跳遠、引起向上等，動作規范庫是學生成績計算、關鍵動作評估、優化指導意見的核心組件。動作規范需從性別、年齡段、身高體重比等多個維度進行考量，前期可先從性別和年齡區間入手，由體育專家協助從全國各地區篩選出一組優秀的青少年學生，進行仰臥起坐、立定跳遠等動作示范，并將動作視頻采集入庫，經姿態估計算法處理，形成動作模板。

體育專家或學生負責講述一些運動要點，如起跳、擺臂、落地姿態等關鍵動作，與AI 算法人員一起制定動作評估指標。學生運動考核視頻依據其性別屬性、年齡段屬性進行動作庫匹配，根據規范動作與其實際動作之間的差異進行關鍵動作分析，給出指導意見，比如起跳角度低、空中姿態不規范等。

3.3 個體動作的標準程度評估方法

結合專家指導意見，設定一些關鍵動作，如在立定跳遠中，如圖3 所示，有預擺、起跳、騰空、落地，在不同動作時刻，由專家教授給出規范要領，AI 算法人員負責量化實現。

圖3 立定跳遠標準動作分解圖

對于每一個關鍵時刻進行獨立動作分析，以學生動作關節點位置{KPi}、預定義動作關節點位置{GPi}為例，時刻t的動作得分公式如下：

以t時刻動作要領的重要程度權重為θt，通過加權可以給出學生動作的總得分為：

3.4 體育動作的改善建議生成方法

根據3.3 節中對各個關鍵動作的分析，向學生給出改善意見，如擺臂幅度太小、騰空過高/過低、落地雙腳前后差距過大等，示意圖如圖4 所示。

圖4 立定跳遠預擺、騰空起跳示意圖

1）擺臂練習

要點：兩腳左右開立，與肩同寬，兩臂前后擺動，前擺時，兩腿伸直，后擺時，屈膝降低重心，上體稍前傾，手盡量往后擺。

練習：視頻檢測學生擺臂訓練過程中擺臂幅度與方位，結合預定義動作規范庫給出語音指導。

2）騰空起跳改善

要點：兩腳快速用力蹬地，同時兩臂稍曲由后往前上方擺動，向前上方跳起騰空，并充分展體。

練習：結合學生實際情況，建議力量加強練習，給出力量加強動作訓練指導。

4 結語

青少年的身體健康始終是黨和國家關心的重點問題之一，但學校也面臨體育資源不足、體育教師短缺等困難，故如何利用人工智能、大數據等技術提高教學效率，推進精準教學成為了體育改革與高質量發展的新動力、新方法。

本文構建包括標準動作模型庫、現場動作采集及與標準動作的對比判定、生成學生動作改進建議于一體的智能體育系統，可以對體育運動進行精準化的評測，比較客觀地看到學生在體育教學中存在的問題。同時，以問題為導向，結合專家指導庫給出了提升課堂教學質量、提高個人成績的方法和對策。后續本文系統將進一步產品化，在實踐中證明精準教學、精準干預對學生運動技能的掌握、身體素質的提升都會有明顯的效果。