踢球时运动数据的处理方法与足球专项的训练评价方法技术

本申请的实施例提供了一种踢球时运动数据的处理方法与足球专项的训练评价方法，所述方法包括：基于安装在足球上的传感器采集的n组运动数据，利用3D引擎生成每组运动数据的空间坐标点模型；根据核心空间点和其他空间点建立核心数据区域，利用小批量梯度下降法确定目标函数，将运动数据与目标函数进行卷积计算，确定某一时刻是否为踢球动作，并以此计算踢球时刻、踢球次数、踢球方向与踢球力度，将其导入至训练评价体系中后，得到足球训练的专项评分与总评，并生成综合评价五维图。本申请对于足球专项训练的专项数据的实时获取更加准确、快速，且能综合评估足球训练过程中的各项指标，辅助相关人员判断足球训练的情况，并依此做出改进。改进。改进。

【技术实现步骤摘要】
踢球时运动数据的处理方法与足球专项的训练评价方法


[0001]本申请的实施例涉及数据处理
，尤其涉及一种踢球时运动数据的处理方法与足球专项的训练评价方法。

技术介绍

[0002]随着近年来便携传感器相关技术的迅速发展，运动时身体数据指标的测量变得愈加容易。目前市面上常见的捕捉运动的传感器大多佩戴在人体躯干或手臂部位，收集穿戴人的身体数据指标，如心率、血氧浓度、步数、步长、运动距离、速度、能量消耗等。然而具体到专项训练中的却无法获取更为准确的数据，如在足球运动中现有的穿戴传感器不能准确获取是否在踢球，所踢球的力度、踢球方向以及踢球次数等数据。

技术实现思路

[0003]为了解决上述提及的技术问题，本申请的实施例提供了一种踢球时运动数据的处理方法与足球专项的训练评价方法。
[0004]第一方面，本申请的实施例提供了一种踢球时运动数据的处理方法，该方法包括：获取足球训练装置中的传感器采集的n组运动数据，每组所述运动数据包括四元数；将所述四元数导入3D引擎，基于所述3D引擎生成每组所述运动数据的空间坐标点模型；以核心空间点组成的线段为轴心，其他空间点与核心空间点距离的最小平均数为半径，建立核心数据区域，所述核心空间点为所述n组运动数据的空间坐标点中重复出现次数最多的空间坐标点；基于所述核心数据区域内的空间坐标点，利用小批量梯度下降法确定目标函数，所述目标函数为四个不同数据量的神经网络线性层；将所述运动数据与所述目标函数进行卷积计算，基于计算结果确定某一时刻是否为踢球动作。
[0005]在一种可能的实现方式中，所述基于计算结果确定某一时刻是否为踢球动作之后，还包括：若为踢球动作，记录完成踢球动作时刻后的连续a个空间坐标点；计算相邻两个空间坐标点构成的空间向量，基于a
‑
1个空间向量的平均值，得到当前时刻的运动方向。
[0006]在一种可能的实现方式中，所述基于计算结果确定某一时刻是否为踢球动作之后，还包括：若为踢球动作，记录完成踢球动作时刻传感器采集的加速度值，与传感器质量相乘得出踢球时刻的力度值。
[0007]在一种可能的实现方式中，还包括基于每一次踢球动作记录踢球次数。
[0008]在一种可能的实现方式中采用如下公式将所述四元数导入3D引擎：qV＝q*v*q
‑1其中，q为传感器产出的四元数，V为3D引擎默认的正前方向量的值，v为3D引擎默
认的正前方向量的值转化为预设向量四元数的值，q
‑1代表传感器产出的四元数的逆，*表示叉乘运算。
[0009]在一种可能的实现方式中，所述以核心空间点组成的线段为轴心，其他空间点与核心空间点距离的最小平均数为半径，建立核心数据区域之前，还包括：剔除抖动数据，所述抖动数据为前后各一帧内空间距离与平均距离相差超过预设值的空间坐标点。
[0010]在一种可能的实现方式中，所述基于核心数据区域内的空间坐标点，利用小批量梯度下降法计算目标函数，包括：获取第n组运动数据中留存在核心数据区域内的所有空间坐标点；选取其中连续的3个空间坐标点，计算相邻两个空间坐标点之间的空间向量和空间加速度，将其作为一个集训集合；将m个不重复的集训集合和集训结果作为输入分次导入pytorch框架中的深度神经网络进行训练计算；当损失值不再下降时，确定目标函数。
[0011]在一种可能的实现方式中，所述目标函数为：其中J(θ)代表损失数值，m代表输入的集训集合+集训结果的数量，y
i
代表每个输入的集训集合的结果，h
θ
为目标函数，x
i
代表输入的每个训练集合具体值。
[0012]第二方面，本申请的实施例提供了一种足球专项的训练评价方法，包括：获取足球训练装置中的传感器采集的运动数据；将所述运动数据转换为二阶数据，所述二阶数据包括踢球时刻、踢球次数、踢球方向与踢球力度；将所述二阶数据导入至训练评价体系中，得到力量控制、方向控制、准确度、反应时间和流畅性的评分；基于所述力量控制、方向控制、准确度、反应时间和流畅性的评分计算总分，并生成综合评价五维图。
[0013]在一种可能的实现方式中，所述力量控制、方向控制、准确度、反应时间和流畅性的评分计算，包括：所述力量控制的评分基于每一次踢球的力度与规定踢球力度的偏差计算；所述方向控制的评分基于每一次踢球的方向与规定踢球方向的偏差计算；所述准确度的评分基于有效踢球数、应踢球数、总踢球数进行计算，所述有效踢球数为同时满足力量控制和方向控制标准的踢球次数；所述反应时间的评分基于每一次踢球的时间与规定踢球时间的偏差计算；所述流畅性的评分基于最高连续有效踢球数和本次训练应踢球数的比值计算。
[0014]综上所述，本申请包括以下有益技术效果：1.基于安装在足球上的传感器采集的n组运动数据，利用3D引擎生成每组运动数据的空间坐标点模型；根据核心空间点和其他空间点建立核心数据区域，利用小批量梯度下降法确定目标函数，将运动数据与目标函数进行卷积计算，确定某一时刻是否为踢球动
作，并以此计算踢球时刻、踢球次数、踢球方向与踢球力度，对于足球专项训练的专项数据的实时获取更加准确、快速；2.将踢球时刻、踢球次数、踢球方向与踢球力度导入至训练评价体系中后，得到足球训练的专项评分与总评，并生成综合评价五维图，能够辅助相关人员判断足球训练的情况，并依此做出改进。
[0015]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其他特征将通过以下的描述变得容易理解。
附图说明
[0016]结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。
[0017]图1示出了本申请实施例的踢球时运动数据的处理方法的流程图。
[0018]图2示出了本申请实施例的足球训练装置的立体结构示意图。
[0019]图3示出了本申请实施例的足球训练装置的球绳的立体结构示意图图4示出了本申请实施例的足球训练装置在实际训练时的示意图。
[0020]图5示出了本申请实施例的足球专项的训练评价方法的流程图。
[0021]图6示出了本申请实施例的综合评价五维图的示意图。
[0022]图7示出了本申请实施例的一种电子设备的结构图。
[0023]其中，100、球本体；210、第一绳段；220、第二绳段；230、第三绳段；240、卡合件；250、握持部；260、第一连接件；270、第二连接件。
具体实施方式
[0024]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0025]为了便于对本申请实施例的理解，首先对本申请所涉及的应用场景进行介绍。需要说明的是，本申请实施例描述的应用场景为学生、运动员等相关人员进行踢球训练的场景，仅仅是为了更加清楚地说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种踢球时运动数据的处理方法，其特征在于，包括：获取足球训练装置中的传感器采集的n组运动数据，每组所述运动数据包括四元数；将所述四元数导入3D引擎，基于所述3D引擎生成每组所述运动数据的空间坐标点模型；以核心空间点组成的线段为轴心，其他空间点与核心空间点距离的最小平均数为半径，建立核心数据区域，所述核心空间点为所述n组运动数据的空间坐标点中重复出现次数最多的空间坐标点；基于所述核心数据区域内的空间坐标点，利用小批量梯度下降法确定目标函数，所述目标函数为四个不同数据量的神经网络线性层；将所述运动数据与所述目标函数进行卷积计算，基于计算结果确定某一时刻是否为踢球动作。2.根据权利要求1所述的方法，其特征在于，所述基于计算结果确定某一时刻是否为踢球动作之后，还包括：若为踢球动作，记录完成踢球动作时刻后的连续a个空间坐标点；计算相邻两个空间坐标点构成的空间向量，基于a
‑
1个空间向量的平均值，得到当前时刻的运动方向。3.根据权利要求1所述的方法，其特征在于，所述基于计算结果确定某一时刻是否为踢球动作之后，还包括：若为踢球动作，记录完成踢球动作时刻传感器采集的加速度值，与传感器质量相乘得出踢球时刻的力度值。4.根据权利要求1所述的方法，其特征在于，还包括基于每一次踢球动作记录踢球次数。5.根据权利要求1所述的方法，其特征在于，采用如下公式将所述四元数导入3D引擎：qV＝q*v*q
‑1其中，q为传感器产出的四元数，V为3D引擎默认的正前方向量的值，v为3D引擎默认的正前方向量的值转化为预设向量四元数的值，q
‑1代表传感器产出的四元数的逆，*表示叉乘运算。6.根据权利要求1所述的方法，其特征在于，所述以核心空间点组成的线段为轴心，其他空间点与核心空间点距离的最小平均数为半径，建立核心数据区域之前，还包括：剔除抖动数据，所述抖动数据为前后各一帧内空...

【专利技术属性】
技术研发人员：王高楠，
申请(专利权)人：北京拱顶石科技有限公司，
类型：发明
国别省市：