【技术实现步骤摘要】
本专利技术涉及体育运动训练领域，尤其涉及一种基于大数据的八段锦学习人体模型的构建方法。
技术介绍
1、在传统体育训练领域，尤其是像八段锦这样的传统中国健身气功，学习过程主要依赖于教练的示范和学员的模仿练习。尽管这种方法在一定程度上能够传授技巧，但它缺乏对动作执行精度的量化评估和个性化指导。随着计算机视觉和机器学习技术的发展，现在可以通过动作捕捉和数据分析来辅助体育训练，提高动作的标准化和学习效率。然而，现有的技术尚未针对八段锦这类复杂序列动作提供一套完整的基于大数据的学习和评估系统。本专利技术旨在填补这一空白，通过构建人体模型和应用先进的数据处理技术，实现对八段锦动作的精确捕捉、分析和个性化指导。
技术实现思路
1、本专利技术的目的是要提供一种基于大数据的八段锦学习人体模型的构建方法。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取动作标注数据集，通过动作捕捉装置获取专业运动员的八段锦演练数据作为标准数据，通过图像传感器采集用户的影像数据；
5、优化所述影像数据得到影像优化数据，基于所述动作标注数据集对所述影像优化数据进行特征提取获得用户动作数据，根据所述标准数据和所述用户动作数据的偏移数据获得偏移系数；
6、根据所述偏移系数和所述用户动作数据构造八段锦学习函数，根据所述八段锦学习函数建立八段锦学习人体模型；
7、对所述八段锦学习人体模型进行参数优化，输出目标模
8、进一步地，动作标注数据集包括动作图像和在其中进行人工标注得到的人体关节标注。
9、进一步地，优化所述影像数据得到影像优化数据的方法，包括：
10、采用高斯滤波器去除影像数据中的随机噪声，对影像数据进行光照校正和背景消除，基于标准数据对影像数据进行时间同步，采用插值算法对影像数据进行帧率调整，生成与标准数据的帧率匹配的插值影像数据。
11、进一步地，基于所述动作标注数据集对所述影像优化数据进行特征提取获得用户动作数据的方法，包括：
12、将动作标注数据集中的人体关节标注转换为人体关节坐标，训练卷积神经网络模型：
13、在前向传输过程中，卷积操作的输出：
14、
15、其中，z为特征图，i、j和k表示输出的维度索引，k为卷积核，v为输入图像，s为卷积层的步幅，vl,(j-1)×s+m,(k-1)×s+n表示输入图像中对应位置的元素，l、m和n是卷积核在输入图像上滑动时的索引，
16、反向传输：
17、
18、其中g为张量，j(v,k)为反向传输的损失函数，
19、对卷积核k的权重进行梯度求解，得到梯度函数：
20、
21、其中g(g,v,s)为梯度函数，
22、根据稀疏点云与人体关节坐标在空间上的强相关性和空间维度的约束得到卷积神经网络模型的损失函数：
23、
24、式中，xi、yi和zi是动作标注数据集中的坐标标签，和是网络估计的坐标，nf是跟踪关节的数量。
25、进一步地，根据所述标准数据和所述用户动作数据的偏移数据获得偏移系数的方法，包括：
26、采用用户动作数据和标准数据建立数据点，采用xgboost模型对比用户动作数据和标准数据得到用户的异常动作数据，
27、目标函数为：
28、
29、其中yi∈{-1,1}是第i个数据点的二分类标签，n为数据点的数量，是预测分类，ω(fk)是正则化项，fk是决策树，t是叶子节点数，ω是叶子节点比例，μ是控制叶子节点数量的参数，ρ是控制叶子节点比例的参数，v为调整高阶项ωα的影响的系数，α为高阶项的指数，
30、目标函数的二阶泰勒展开：
31、
32、其中t为决策树的索引，和分别为xgboost模型的损失函数的一阶导数和二阶导数，ft(xi)为第t棵决策树的决策树函数，r(ft-1,ft)为两棵连续决策树之间的差异，η为控制差异影响的参数，
33、决策树节点分裂的增益：
34、
35、其中gl和gr是分裂后左右子节点的梯度和，φl和φr分别是gl和gr对应的hessian和，是正则化参数，γ是控制叶子节点复杂度的参数，
36、根据异常动作数据得到影像优化数据的偏移片段，将偏移片段和标准数据进行对比得到的偏移量作为偏移数据，偏移数据包括根据关键点的空间坐标确定的人体关节的偏移角度、偏移距离、动作时间的偏移量和动作速度的偏移量，根据所述偏移数据得到偏移系数：
37、
38、其中λ为偏移片段的偏移系数，为偏移片段中的第j个异常动作数据的动作时间，m为偏移片段中的用户动作数据的数量，为对应的标准数据的平均动作时间，表示第j个异常动作数据的偏移时间，v表示动作速度，d表示动作距离，v表示动作角度，和分别表示动作速度的偏移量、偏移距离和偏移角度的权重系数。
39、进一步地，根据所述偏移系数和所述用户动作数据构造八段锦学习函数的方法，包括：
40、八段锦学习函数：
41、
42、其中，为预测偏移系数，xi为第i个用户动作数据向量，n为一个动作片段中用户动作数据的数量，xj为xi对应的第j个标准数据向量，m为标准数据的数量，λi∈{-1,1}是x的标签，-1表示非偏移片段，1表示偏移片段，b为偏置，αi为拉格朗日乘子，ψ为核函数参数。
43、进一步地，根据所述八段锦学习函数建立八段锦学习人体模型的方法，包括：
44、将八段锦学习函数作为八段锦学习人体模型的决策函数，将用户的动作片段及其标签分为训练集和测试集，采用训练集基于svr算法训练八段锦学习人体模型，对动作片段进行非线性映射，输出值为预测偏移系数，当动作片段的预测偏移系数大于偏移阈值时，对用户进行提醒。
45、进一步地，对所述八段锦学习人体模型进行参数优化的方法，包括：
46、采用测试集优化八段锦学习人体模型，将八段锦学习人体模型的输出值设置为状态变量，采用八段锦学习人体模型的模型参数创建初始种群，其中每个个体包含一组模型参数，基于偏移系数计算所述初始种群的适应度：
47、
48、式中，g为适应度函数，ρ(λ,g(w))为偏移系数λ和状态变量g(w)之间的皮尔逊相关系数，penalty(d,w)为数据子集d中个体w的预测错误率，是输出值和偏移系数λ的中位数绝对偏差，
49、依次进行选择算子、交叉算子和遗传算子，其中所述交叉算子的公式为：
50、
51、式中，pd0为初始交叉概率，pdmin为最小交叉概率，gavg为种群的平均适应度函数值，gmin为种群的最小适应度函数值，
52、所述变异算子的公式为：
53、
本文档来自技高网...
【技术保护点】
1.一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，动作标注数据集包括动作图像和在其中进行人工标注得到的人体关节标注。
3.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，优化所述影像数据得到影像优化数据的方法，包括：
4.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，基于所述动作标注数据集对所述影像优化数据进行特征提取获得用户动作数据的方法，包括：
5.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，根据所述标准数据和所述用户动作数据的偏移数据获得偏移系数的方法，包括：
6.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，根据所述偏移系数和所述用户动作数据构造八段锦学习函数的方法，包括：
7.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，根据所述八段锦学习函数建
8.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，对所述八段锦学习人体模型进行参数优化的方法，包括：
9.一种电子设备，包括：处理器；以及
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～9任一所述方法。
...【技术特征摘要】
1.一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，动作标注数据集包括动作图像和在其中进行人工标注得到的人体关节标注。
3.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，优化所述影像数据得到影像优化数据的方法，包括：
4.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，基于所述动作标注数据集对所述影像优化数据进行特征提取获得用户动作数据的方法，包括：
5.根据权利要求1所述一种基于大数据的八段锦学习人体模型的构建方法，其特征在于，根据所述标准数据和所述用户动作数据的偏移数据获得偏移系数的方法...
【专利技术属性】
技术研发人员：代金刚，魏高峡，谢继鼎，田思玮，罗克宇，顾淇，胡飞雪，孙宇璇，李泊潼，刘京昆，
申请(专利权)人：中国中医科学院医学实验中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。