健身操锻炼评估方法及系统

技术领域

本公开涉及运动评估领域，更具体地讲，涉及一种健身操锻炼评估方法及系统。

背景技术

随着生活水平的不断提高，对健身的需求日益增长。对于传统健身而言，需要前往健身房的活动，他们在健身房参加由教练指导的锻炼。然而，由于人们日常生活节奏日益加快，花一段时间在健身房健身可能是一项具有挑战性的工作。如何能对运动状态进行有效监督，并实时评估，以提升锻炼效果的及时反馈，提升锻炼的效能，成为亟待解决的技术问题。

发明内容

本公开的实施例的目的在于提供一种健身操锻炼评估方法及系统，以全程全轨迹的运动效果评估结果,对运动状态进行有效监督，提升锻炼的效能。

第一方面，一种健身操锻炼评估方法，包括：根据运动时预设身体部位的感知信息对预设神经网络模型进行训练得到健身操动作识别模型；所述感知信息包括三轴加速度信息、三轴角速度信息、偏航姿态角信息、俯仰姿态角信息、翻滚姿态角信息；

根据获取的待预测对象的预设身体部位的感知信息确定每个单元动作的起始点以及结束点，并将每个单元动作的感知信息输入至所述健身操动作识别模型，得到所述每个单元动作的动作相似度；

根据预设的动作强度计算方法计算每个单元动作的动作强度，并根据预设的心率计算方法计算每个单元动作的心率达标度，以及根据预设的肌肉锻炼达标计算方法计算每个单元动作的肌肉锻炼达标率；

根据所述待预测对象的各个单元动作的动作相似度、动作强度、心率达标度以及肌肉锻炼达标率生成待预测对象的锻炼评估结果。

进一步地，所述根据获取的待预测对象的预设身体部位的感知信息确定每个单元动作起始点的步骤包括：

根据待预测对象的预设身体部位的感知信息确定对应的加速度信息以及角速度信息；根据预设的公式计算加速度信息以及角速度信息的差分值；

根据采样点的加速度信息的差分值与第一预设阈值的比较结果，以及采样点的角速度信息的差分值与第二预设阈值的比较结果，确定对应单元动作的起始点；

其中，采样点k的加速度信息的差分值

采样点k的角速度信息的差分值

其中，m的取值为1、2或3，X

进一步地，所述根据采样点的加速度信息的差分值与第一预设阈值的比较结果，以及采样点的角速度信息的差分值与第二预设阈值的比较结果，确定对应单元动作的起始点的步骤包括：

采样点的加速度信息的差分值的平滑处理结果大于第一预设阈值以及角速度信息的差分值的平滑处理结果大于第二预设阈值时，确定所述采样点为对应单元动作的起始点；

根据如下公式对采样点k的加速度信息的差分值进行平滑处理，得到加速度信息的差分值的平滑处理结果

根据如下公式对采样点k的角速度信息的差分值进行平滑处理，得到角速度信息的差分值的平滑处理结果

其中，N取值为8。

进一步地，获取的待预测对象的预设身体部位的感知信息确定每个单元动作的结束点的步骤包括：

当目标采样点的加速度信息的差分值的平滑处理结果小于第一预设阈值以及角速度信息的差分值的平滑处理结果小于第二预设阈值时，确定所述目标采样点为对应单元动作的结束点。

进一步地，所述健身操动作识别模型为三层结构；第一层为LSTM层，包含64个神经元；第二层为16个神经元的全连接层；第三层为8个神经元的全连接层，使用归一化指数函数输出动作相似度。

进一步地，所述感知信息包括左手臂以及膝盖位置的三轴加速度信息、三轴角速度信息、偏航姿态角信息、俯仰姿态角信息、翻滚姿态角信息。

第二方面，本发明提供一种健身操锻炼评估系统，其特征在于，包括：

模型服务器，用于根据运动时预设身体部位的感知信息对预设神经网络模型进行训练得到健身操动作识别模型；所述感知信息包括三轴加速度信息、三轴角速度信息、偏航姿态角信息、俯仰姿态角信息、翻滚姿态角信息；

数据服务器，用于根据获取的待预测对象的预设身体部位的感知信息确定每个单元动作的起始点以及结束点，并将每个单元动作的感知信息输入至所述模型服务器中的健身操动作识别模型，得到所述每个单元动作的动作相似度；以及根据预设的动作强度计算方法计算每个单元动作的动作强度，并根据预设的心率计算方法计算每个单元动作的心率达标度，以及根据预设的肌肉锻炼达标计算方法计算每个单元动作的肌肉锻炼达标率；根据所述待预测对象的各个单元动作的动作相似度、动作强度、心率达标度以及肌肉锻炼达标率生成待预测对象的锻炼评估结果。

进一步地，所述数据服务器具体用于：根据待预测对象的预设身体部位的感知信息确定对应的加速度信息以及角速度信息；根据预设的公式计算加速度信息以及角速度信息的差分值；根据采样点的加速度信息的差分值与第一预设阈值的比较结果，以及采样点的角速度信息的差分值与第二预设阈值的比较结果，确定对应单元动作的起始点；

其中，采样点k的加速度信息的差分值

采样点k的角速度信息的差分值

其中，m的取值为1、2或3，X

进一步地，所述数据服务器具体用于：当目标采样点的加速度信息的差分值的平滑处理结果小于第一预设阈值以及角速度信息的差分值的平滑处理结果小于第二预设阈值时，确定所述目标采样点为对应单元动作的结束点。

进一步地，所述的健身操锻炼评估系统还包括：惯性传感器以及心率传感器，用于获取运动时预设身体部位的感知信息；

所述健身操动作识别模型为三层结构；第一层为LSTM层，包含64个神经元；第二层为16个神经元的全连接层；第三层为8个神经元的全连接层，使用归一化指数函数输出动作相似度。

本发明的健身操锻炼评估方法及系统，提取每个单元的动作信息，输入到健身操动作识别模型进行动作的识别与效果的评估，计算每个单元动作的动作强度、心率达标度，以及、肌肉锻炼达标率，所有单元串联后，根据所述待预测对象的各个单元动作的动作相似度、动作强度、心率达标度以及肌肉锻炼达标率生成待预测对象的锻炼评估结果,对运动状态进行有效监督，提升锻炼的效能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开的实施例的健身操锻炼评估方法的流程图。

图2是根据本公开的实施例的健身操锻炼评估方法中的健身操动作识别模型的结构示意图。

图3是根据本公开的实施例的健身操锻炼评估系统的结构示意图。

具体实施方式

需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

图1是根据本公开的实施例的健身操锻炼评估方法的流程图。如图1所示，该健身操锻炼评估方法包括：

步骤101：根据运动时预设身体部位的感知信息对预设神经网络模型进行训练得到健身操动作识别模型；所述感知信息包括三轴加速度信息、三轴角速度信息、偏航姿态角信息、俯仰姿态角信息、翻滚姿态角信息。

具体操作时，如图2所示，建立一个数据服务器与一个TensorFlowSERVING服务器，在TensorFlowSERVING服务器上建立一个识别动作的神经网络。第一层为LSTM层，包含64个神经元，第二层为16个神经元的全连接层，最后一层为8个神经元的全连接层，使用softmax函数输出动作相似度的概率。

健身操锻炼评估方法的流程适用于图3所示的系统，该系统中视频服务器中的课程由若干训练单元组成；训练单元由若干组数不同的训练动作组成；每个动作切换时都有3秒的静止时间，作为动作与动作切换的间隔；每个单元切换时都有10秒的静止时间，作为单元与单元切换的间隔；每组动作的完成时长；每个单元设定的运动心率的上下限。下限为达标心率，上限为安全心率上限。

对每个动作，教练左臂小臂穿戴有1个有惯性传感器与心率传感器的的臂带，膝盖穿戴有2个惯性传感器(单个膝带膝盖上方与膝盖下方各一个)的膝带，双腿穿戴2个膝带做标准动作，采集以下数据：动作周期T、手臂部位的三轴加速度、三轴角速度、ROW、PITCH和YAW姿态角数据；膝盖上下部位的三轴加速度、三轴角速度、ROW、PITCH和YAW姿态角数据。以上数据多次采集作为训练样本通过数据服务器输入到服务器的神经网络中，对其进行训练，训练好的模型导出部署在TensorFlowSERVING上，再由教练做同样的动作，作为测试样本，当识别动作相似度的概率达到90％以上，完成训练，固化模型，以RESTFUL形式的API服务实现，提供API调用服务。

同时对于每个动作设定了对锻炼到的部位的分布表，锻炼部位分别是手臂、背部、胸部、腰腹部、臀部、腿部。锻炼到的部位设置为1，未锻炼到的部位设置为0。以数据表的形式存储在数据服务器上。

步骤102：根据获取的待预测对象的预设身体部位的感知信息确定每个单元动作的起始点以及结束点，并将每个单元动作的感知信息输入至所述健身操动作识别模型，得到所述每个单元动作的动作相似度。

具体地，通过终端上的终端程序播放视频课程，并跟随视频训练，在上课过程中左臂小臂也穿戴带有惯性传感器与心率传感器的臂带，双腿也穿戴有惯性传感器的膝带。上课过程中每个训练单元的动作信息(训练单元、动作名称、组数)，在动作切换时，会同步给臂带与膝带。

在上课过程中每100毫秒采集学员的心率、三轴加速度、三轴角速度、ROW、PITCH和YAW数据一次，以每秒1次的频率把采集到的数据与动作信息合成一个数据包传输给终端程序。终端程序会将这些上课数据暂存与本地数据库中，在上课结束时，自动传输给云端的数据服务器。

数据服务器得到学员上课数据后会根据课程模型与课程的动作模型，提取每个学员的每个单元的动作信息(训练单元、动作名称、组数)，本单元心率、三轴加速度、三轴角速度、ROW、PITCH和YAW姿态角数据,输入到TensorFlowSERVING服务器的神经网络中进行动作的识别与效果的评估。

对于每个单元动作起始点的截取可以采取如下优选方式：每个单元的训练动作开始前，学员都有一个静止状态，当学员静止时，惯性传感器输出稳定的加速度与角速度，而运动开始后，在动作过程中加速度与角速度会发生持续性的变化。可利用差分值检测出动作起始点。其中，采样点k的加速度信息的差分值

采样点k的角速度信息的差分值

其中，m的取值为1、2或3，X

为了防止因脉冲噪声而引起的差分值过大而形成的动作数据截取错误的出现，对差分窗15口平滑处理：

根据如下公式对采样点k的加速度信息的差分值进行平滑处理，得到加速度信息的差分值的平滑处理结果

根据如下公式对采样点k的角速度信息的差分值进行平滑处理，得到角速度信息的差分值的平滑处理结果

其中，N取值为8。

也就是将连续8个数据点的差分均值作为此数据点的差分值，同时，对动作发生的判断要求加速度与角速度的差分值同时满足阈值条件是才判定为动作发生的起始点，对于每个单元动作结束点的截取，由于动作切换时，有一个3秒的静止转态，与动作起始点判别方式相反，即：当目标采样点的加速度信息的差分值的平滑处理结果小于第一预设阈值以及角速度信息的差分值的平滑处理结果小于第二预设阈值时，确定所述目标采样点为对应单元动作的结束点。

差分阈值检查方法中阈值的设定很关键。由于在静止状态下惯性传感器测量属于由于噪声影响会有小幅度变化，因此阈值的设定需要参考噪声对测量数据的影响大小，需要通过实际测试后设置，使得差分阈值可以完整的切分出运动数据。

每个动作的数据截取，则根据动作起始点与结束点确定后，根据动作所做的组数，均分后获得单一动作的运动数据。

如果在数据上无法获取到起始点与结束点，则每个动作的数据采集的起始点作为动作的5起始点，截取按照该组动作的完成时长作为结束点，按组数均分后视为单一动作的运动数据。

然后把每个动作的运动数据逐一输入到TensorFlowSERVING的API中，得到动作的相似度概率，概率越高则动作完成越准确。这个动作的完成质量就高。相似度小于50％的动作，视为未完成。

步骤103：根据预设的动作强度计算方法计算每个单元动作的动作强度，并根据预设的心率计算方法计算每个单元动作的心率达标度，以及根据预设的肌肉锻炼达标计算方法计算每个单元动作的肌肉锻炼达标率。

具体地，计算出学员该单元的动作完成度(实际组数/规定组数)，动作质量(每组动作相似度概率的平均值)、动作强度(动作强度的平均值)、心率达标度，肌肉锻炼达标率，热量消耗。所有单元串联后构成全程全轨迹的运动效果评估报告。

具体地，对于心率达标度：

首先对每个单元的心率下限根据学员的年龄进行修正处理；

计算出每个单元下学员的心率下限：

公式＝(220-年龄-静态心率)*单元心率下限+静态心率；

计算心率达标数，遍历每个单元的心率数据集合，大于等于心率下限，则累计加1；

心率达标度＝心率达标数/心率数据集合总数。对于肌肉锻炼达标率：

根据每个单元的动作组成与锻炼部位的分布，可以获得每个单元的锻炼部位的分布表通过获取每个单元的心率达标率计算6个部位的做功达标率。

步骤104：根据所述待预测对象的各个单元动作的动作相似度、动作强度、心率达标度以及肌肉锻炼达标率生成待预测对象的锻炼评估结果。

本实施例通过数据服务器得到学员上课数据后会根据课程模型与课程的动作模型，提取每个学员的每个单元的动作信息(训练单元、动作名称、组数)，本单元心率、三轴加速度、三轴角速度、ROW、PITCH和YAW姿态角数据,输入到TensorFlowSERVING服务器的神经网络中进行动作的识别与效果的评估。计算出学员该单元的动作完成度(实际组数/规定组数)，动作质量(每组动作相似度概率的平均值)、动作强度(动作强度的平均值)、心率达标度，肌肉锻炼达标率，热量消耗。所有单元串联后构成全程全轨迹的运动效果评估报告。

图3是根据本公开的实施例的健身操锻炼评估系统的结构图。图1-图2所示的实施例可以用于解释本实施例。如图3所示：一种健身操锻炼评估系统，包括：

模型服务器，用于根据运动时预设身体部位的感知信息对预设神经网络模型进行训练得到健身操动作识别模型；所述感知信息包括三轴加速度信息、三轴角速度信息、偏航姿态角信息、俯仰姿态角信息、翻滚姿态角信息；

数据服务器，用于根据获取的待预测对象的预设身体部位的感知信息确定每个单元动作的起始点以及结束点，并将每个单元动作的感知信息输入至所述模型服务器中的健身操动作识别模型，得到所述每个单元动作的动作相似度；以及根据预设的动作强度计算方法计算每个单元动作的动作强度，并根据预设的心率计算方法计算每个单元动作的心率达标度，以及根据预设的肌肉锻炼达标计算方法计算每个单元动作的肌肉锻炼达标率；根据所述待预测对象的各个单元动作的动作相似度、动作强度、心率达标度以及肌肉锻炼达标率生成待预测对象的锻炼评估结果。

优选地，所述数据服务器具体用于：根据待预测对象的预设身体部位的感知信息确定对应的加速度信息以及角速度信息；根据预设的公式计算加速度信息以及角速度信息的差分值；根据采样点的加速度信息的差分值与第一预设阈值的比较结果，以及采样点的角速度信息的差分值与第二预设阈值的比较结果，确定对应单元动作的起始点；

其中，采样点k的加速度信息的差分值

采样点k的角速度信息的差分值

其中，m的取值为1、2或3，X

优选地，所述数据服务器具体用于：当目标采样点的加速度信息的差分值的平滑处理结果小于第一预设阈值以及角速度信息的差分值的平滑处理结果小于第二预设阈值时，确定所述目标采样点为对应单元动作的结束点。

优选地，所述的健身操锻炼评估系统还包括：惯性传感器以及心率传感器，用于获取运动时预设身体部位的感知信息；

所述健身操动作识别模型为三层结构；第一层为LSTM层，包含64个神经元；第二层为16个神经元的全连接层；第三层为8个神经元的全连接层，使用归一化指数函数输出动作相似度。

本实施例通过数据服务器得到学员上课数据后会根据课程模型与课程的动作模型，提取每个学员的每个单元的动作信息(训练单元、动作名称、组数)，本单元心率、三轴加速度、三轴角速度、ROW、PITCH和YAW姿态角数据,输入到TensorFlowSERVING服务器的神经网络中进行动作的识别与效果的评估。计算出学员该单元的动作完成度(实际组数/规定组数)，动作质量(每组动作相似度概率的平均值)、动作强度(动作强度的平均值)、心率达标度，肌肉锻炼达标率，热量消耗。所有单元串联后构成全程全轨迹的运动效果评估报告。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施10例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。