一种矫正竞技反曲弓射箭运动姿势的方法及装置

技术领域

本发明涉及体育竞技运动领域，具体为一种监控竞技反曲弓射箭运动的方法。

背景技术

竞技反曲弓射箭是一项古老的射箭运动，起源于亚洲。竞技反曲弓是指在弓的两端外翻，形成一个弧形的结构。这种弓更加紧凑、灵活和轻便，可以让射手更容易地携带和使用。在竞技反曲弓射箭中，射手需要用手拉弦并将其释放，使箭头射向目标。这项运动需要高度的专注力、精确度和力量控制，因此也被视为一项挑战性很高的运动。

但是在竞技反曲弓射箭过程中，不正确的姿势和动作会导致运动员身体上的损伤，影响射箭的准确性和稳定性，例如肌肉拉伤，错误的姿势可能导致关节过度承受压力，从而增加关节损伤的风险；同时不正确的身体姿势和腰部力量分配可能会对腰椎产生过度压力，导致腰椎损伤，如腰椎间盘突出或腰肌劳损；射箭时，手部承担着弓弦的拉力，不正确的手部姿势可能导致手指、手腕和前臂的疼痛、肿胀或过度使用伤害，尤其在体育竞技中，由于运动员在每天都要训练成千上万次的射箭，因射箭动作的不一致，造成身体受伤。因此对于竞技反曲弓射箭这项运动来说，正确的姿势非常重要，而现实里纠正射箭姿势是通过通过摆放摄像机，记录射手的射击过程对射击过程进行分析，如姿势是否正确、身体是否平衡、拨弦动作是否标准等。然而这种处理方法太过于依赖于专业人员进行分析和评估，需要耗费大量时间和成本，其次对于复杂的动作，视频分析技术可能无法准确捕捉到所有关键点和细节，导致评估结果不够精准从而无法达到辅助纠正姿势的效果，使得在训练中长期成千上万次射箭中不能保证射箭动作的一致性而受伤，最后视频分析技术需要使用高清晰度的摄像头进行捕捉，而且需要特定的环境和光线条件才能获得清晰的图像。

发明内容

为了解决上述技术问题，本发明提供了一种矫正竞技反曲弓射箭运动姿势的方法及装置。以解决在竞技反曲弓训练过程中需要依赖专业人员进行分析和评估从而辅助运动员纠正运动员姿势，其次解决了精准捕捉关键点和细节从而达到辅助运动员纠正姿势，避免射箭时候因为动作的不一致，造成身体受伤。

为了解决上述问题，本发明采用了如下的技术方案：

一种矫正竞技反曲弓射箭运动姿势的方法，其特征在于：包括以下步骤：

S1,捕捉射手的射箭动作数据，其中所述射箭动作数据是射击后竞技反曲弓旋转数据；

S2,将捕捉的数据转换为特征向量；

S3,对特征向量进行训练，以训练模型用于识别和评估不同的射箭动作；

S4,对实时捕捉的数据通过模型进行分析和评估，以评估射手的射箭动作的一致性，其中所述实时捕捉的数据是实时射击后竞技反曲弓的旋转数据。

进一步的，所述S1步骤中，是通过使用陀螺仪，加速度计以及磁力计来捕捉射箭运动的数据。

进一步的，所述S2步骤中，通过LDA模型把射箭运动数据转换成特征向量。

进一步的，S3步骤中，通过k近邻算法来对特征向量进行训练。

进一步的，所述S4步骤包括以下步骤：

(1)将实时捕捉到的数据进行预处理；

(2)使用训练好的模型对处理后的数据进行预测；

(3)通过对预测结果进行分析和比较。

进一步的，根据S4的评估结果，生成可视化柱状图展示射手的射箭动作数据和对应的分析结果。

此外，本发明还公开了一种矫正竞技反曲弓射箭运动姿势的装置，其特征在于：包括

捕捉模块,用于捕捉射手的射箭动作数据，其中所述射箭动作数据是射击后竞技反曲弓旋转数据；

转换模块,用于将捕捉的数据转换为特征向量；

训练模型模块,用于对特征向量进行训练，以训练模型用于识别和评估不同的射箭动作；

分析评估模块,用于对实时捕捉的数据通过模型进行分析和评估，以评估射手的射箭动作的一致性，其中所述实时捕捉的数据是实时射击后竞技反曲弓的旋转数据。

进一步的，所述捕捉模块是由陀螺仪，加速度计以及磁力计组成。

进一步的，所述转换模块是通过LDA模型将捕捉的数据转换成特征向量。

进一步的，所述训练模型模块是通过k近邻算法来对特征向量进行训练。

本发明的有益效果在于：通过监控射手的射箭姿势和动作，及时纠正不良的姿势问题，有效降低了训练过程中的身体损伤风险。射手可以避免长时间使用错误的姿势，减轻肌肉拉伤、关节问题、腰椎损伤等相关伤害，通过训练模型对射手的射箭动作进行识别和评估，可以分析射手的动作一致性并给出相应的反馈。同时有助于射手纠正不准确的动作，改善射击的准确性和稳定性，从而提高射手的射箭表现。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，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示出的结构获得其他的附图。

图1为本申请的矫正竞技反曲弓射箭运动姿势的方法流程示意图；

图2为本申请的通过模型进行分析和评估的方法流程示意图；

图3为本申请的实施例提供的矫正竞技反曲弓射箭运动姿势的装置包括的各模块的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

由于在竞技反曲弓射箭训练过程中，由于运动员采用不良的姿势或动作，会给关节和肌肉带来额外的压力和扭曲，可能导致肌肉拉伤或过度使用伤害，其次错误的姿势可能导致关节过度承受压力，从而增加关节损伤的风险。射箭动作中最常受影响的关节是肩关节和腕关节，再次，不正确的身体姿势和腰部力量分配可能会对腰椎产生过度压力，导致腰椎损伤，如腰椎间盘突出或腰肌劳损，最后，射箭时，手部承担着弓弦的拉力，不正确的手部姿势可能导致手指、手腕和前臂的疼痛、肿胀或过度使用伤害。常见的受伤部位包括肩膀、手臂、背部和腰部。

由于竞技反曲弓射箭时，为了保证弓的稳定性，弓引入了平衡杆和配重这个设备，通过这个形成了竞技反曲弓防歪防抖稳定器，持弓手是推弓进行射击的，同时引入护弓绳将手与弓固定，以上三个协同工作，完成了竞技反曲弓旋转的动作。射击结束后，手是不抓弓仅仅是向前推，这时候手部放松由于弓弦的回弹带动弓体向前跳跃从手中脱出，紧接着由于护弓绳的作用会被护弓绳紧紧的拖住，由于弓的重心在弓身系统前侧以及外侧，形成了一个轴心，因此形成了弓的旋转动作。因为射箭是一个要求一致性很高的运动，所以这个旋转可以用来考量一致性的标杆，运动员可以通过每次旋转的角度和速度来判定本次射箭完成度如何，如果一次旋转个30°一次又旋转个80°长期以往对运动员每天训练成千上万次，将对身体造成损伤。因此，掌握弓的旋转特性对于射手来说非常重要，可以帮助他们更好地调整射箭姿势，从而有效降低了训练过程中的身体损伤风险。

如图1所示，本申请在此基础上利用该特性进行延展，通过捕捉弓的旋转特性来评价射箭动作的一致性，也就是说本发明的核心思路是通过竞技反曲弓的旋转特性出发，把控整个旋转特性的现象和规律，通过陀螺仪等传感器捕捉监控，从而实现辅助纠正运动员在射箭运动中的动作一致性，也就是说，通过捕捉弓的旋转数据便可分析评价射箭运动的动作信息，从而提出了矫正竞技反曲弓射箭运动姿势的方法，用于辅助调整运动员射箭姿势。为此，本申请提出了一种矫正竞技反曲弓射箭运动姿势的方法，包括以下步骤：

S1,捕捉射手的射箭动作数据，其中所述射箭动作数据是射击后竞技反曲弓旋转数据；

S2,将捕捉的数据转换为特征向量；

S3,对特征向量进行训练，以训练模型用于识别和评估不同的射箭动作；

S4,对实时捕捉的数据通过模型进行分析和评估，以评估射手的射箭动作的一致性，其中所述实时捕捉的数据是实时射击后竞技反曲弓的旋转数据。

具体的讲，在使用传感器捕捉运动员的射箭动作数据时，可以在竞技反曲弓上设置陀螺仪，来测量竞技反曲弓在射箭后旋转的角度和角速度，也就是说，仅仅捕捉射后弓的旋转数据便可分析评估该运动员的动作信息，从而获取射手的动作一致性信息。具体的捕捉过程如下，将陀螺仪传感器安装在竞技反曲弓上，优选的，会选择在竞技反曲弓的平衡杆上进行安装，以便更好地测量竞技反曲弓的旋转角度和角速度。将陀螺仪传感器连接到数据采集系统中，如单片机、嵌入式系统，以便将测量数据传输到计算机中进行分析和处理。在射箭前，先校准陀螺仪传感器，使其能够准确测量旋转角度和角速度。然后，当射手拉弓、瞄准并射箭时，陀螺仪传感器开始测量竞技反曲弓的旋转角度和角速度，并将这些数据传输到数据采集系统中。将测量得到的旋转角度和角速度数据保存下来，然后进行数据处理，如去噪、滤波等处理，以消除噪声和提高数据质量。然后，将数据输入到创新算法模型中进行分析，以评估射手的动作一致性。

陀螺仪可以检测竞技反曲弓射箭后的旋转速度和方向，可以分析射手是否存在拉弓姿势不正确、动作过快或过慢等问题。其次，在传感器的选择上，由于加速度计可以检测射箭过程中的加速度变化，可以分析运动员拉弓、瞄准、放箭等动作是否稳定、协调，以及是否存在过度抖动等问题。磁力计可以检测射箭过程中的磁场变化，可以分析射手在瞄准时是否受到外部磁场干扰，从而评估射手瞄准是否准确。

因此在本技术方案中还需要加入加速度计和磁力计，将加速度计和磁力计传感器分别安装在竞技反曲弓上，优选的，会选择在竞技反曲弓的平衡杆上进行安装，以便更好地测量竞技反曲弓的加速度和磁场变化信息。将加速度计和磁力计连接到数据采集系统中，如单片机、嵌入式系统等，以便将测量数据传输到计算机中进行分析和处理。在射箭前，先校准加速度计和磁力计传感器，使其能够准确测量加速度和磁场变化信息。然后，当射手拉弓、瞄准并射箭时，加速度计和磁力计传感器开始测量竞技反曲弓的加速度和磁场变化信息，并将这些数据传输到数据采集系统中。将测量得到的加速度和磁场变化数据保存下来，然后进行数据处理，如去噪、滤波等处理，以消除噪声和提高数据质量。然后，将数据输入到创新算法模型中进行分析，以评估射手的射箭动作是否稳定和准确。

这里需要说明的是因为磁场的变化可能会影响陀螺仪和加速度计的精度，导致数据偏差。在现实中，周围磁场的强度和方向可能会因为一些干扰因素，例如电子设备、金属物体等而发生变化，这些变化会对测量数据造成影响，影响识别和评估射手射箭动作的准确性。因此加入磁力计是为了辅助测量更为精准的数据而准备的。

在捕捉这些专业标准的动作数据后，本发明将这些数据通过数据处理技术将捕捉的数据转换为特征向量，在本实施例中，将用LDA模型把射箭动作数据转换为特征向量，便于后续的分类和评价。具体的讲，LDA的主要原理是将高维数据投影到低维空间中，并使得投影后不同类别的数据在低维空间中有尽可能大的距离，同时相同类别的数据尽可能地靠近。通过LDA模型，我们可以得到一个投影矩阵W，将高维数据x转化为低维特征向量y。

对于本方案中的射箭动作数据，可以将陀螺仪和加速度计所测得的角速度和加速度数据分别作为一个特征向量的一个分量，构成一个n维的特征向量，其中n陀螺仪和加速度计所测得的数据的维度之和。然后，将所有捕捉到的数据转换成相应的特征向量，最后输入到LDA模型中进行分析。LDA模型将会输出一个低维特征向量y，其中每个维度都代表一个新的特征，即经过LDA转换后的数据，可以用于后续的分类和评价。

LDA的目标是最大化类间距离，最小化类内距离。具体来说，LDA的目标函数可以表示为：

其中，S

其中，c是类别数,N

通过对上述公式求解，我们可以得到一个权重向量W，该向量可以将原始n维特征向量x转换为一个k维的新特征向量y，其中k是我们希望得到的维度。这个新特征向量可以最大程度地区分不同的类别，从而提高分类的准确性。

具体地，对于每个原始的n维特征向量x

通过这种方式，我们可以将原始的传感器数据转换为特征向量，然后使用这些特征向量进行分类和评估。

接下来，获得特征向量后，将使用机器学习对特征向量进行训练，以训练模型用于识别和评估不同的射箭动作，具体的来讲，使用机器学习对特征向量进行训练，是指通过已经标注好标签的训练数据，来训练一个机器学习模型，该模型可以用于对新的特征向量进行分类或者预测。在本实施例中，是采用k近邻等算法处理后的特征向量作为训练数据，用来训练一个分类器或预测模型。

具体来说，我们可以将训练数据分为两部分：一部分是特征向量，另一部分是对应的标签，即射箭动作的类别。例如，我们可以用已知射箭动作的数据集，将其标注为“正常射击”、“身体倾斜”、“姿势不正确”“重心不稳”“手臂外展”、“手臂下垂”等类别，然后将每个射箭动作的特征向量与其对应的标签存储下来。这些数据被称为训练集。

然后，我们可以使用机器学习算法，对这些训练数据进行训练。训练的过程就是通过已知的特征向量和标签，来调整分类器或预测模型的参数，使其能够更好地拟合训练数据，并在未知数据上实现更好的预测或分类效果。在这个过程中，我们会将训练数据集分成训练集和验证集，用来调整模型的超参数，以避免过拟合或欠拟合。

最终，我们会得到一个经过训练的机器学习模型，该模型可以根据新的特征向量进行分类或预测。对于竞技反曲弓射箭运动来说，该模型可以用于识别和评估不同的射箭动作，帮助射箭运动员和教练员更好地了解运动员的表现，并制定相应的训练和调整计划。

具体的，在竞技反曲弓射箭的场景中，我们可以使用k近邻算法对转换后的特征向量进行分类，以评估和监控射箭动作的一致性。

使用k近邻算法训练分类器主要分为两个步骤：首先是建立模型，然后是使用模型对新数据进行分类。在建立模型的过程中，我们需要使用训练数据集中的样本来计算特征向量之间的距离，并根据距离来找到离新样本最近的k个邻居。然后，我们可以使用这k个邻居的标签来对新样本进行分类。

具体地，对于给定的训练数据集

D＝{(x

选择距离度量：在k近邻算法中，通常使用欧氏距离或曼哈顿距离来度量样本之间的距离。假设x

选择k值：k值指定了我们要考虑多少个最近邻居。k值的选择通常需要根据具体问题进行调整，一般来说，较小的k值会使模型更复杂，容易受到噪声的影响，而较大的k值会使模型更简单，但可能会忽略类别之间的细微差别。

寻找k个最近邻居：对于给定的新样本x，需要在训练数据集中找到距离它最近的k个样本。可以使用堆数据结构来实现快速搜索。

进行分类：通过对k个最近邻居的类别进行统计，以获得新样本的类别预测。通常采用多数表决法，即预测新样本的类别为这k个邻居中出现次数最多的类别。

在使用k近邻算法进行训练分类后，我们可以将加速度计和陀螺仪捕捉的数据分配到不同的类别中。这些类别对应于不同的射箭动作，“正常射击”、“身体倾斜”、“姿势不正确”“重心不稳”手臂外展”、“手臂下垂”等类别。分类的意义在于，我们可以通过机器学习算法对射箭动作进行自动分类，从而实现自动识别和评估不同的射箭动作，以便教练和运动员进行反馈和调整。此外，分类还可以为射箭动作的研究提供数据支持，例如通过分析不同动作类别之间的差异，可以更深入地了解射箭动作的特征和规律。

接下来，使用训练好的模型对实时捕捉的数据进行分析和评估，以评估射手的射箭动作的一致性。

具体的讲，如图2所示，我们将使用已经训练好的分类器模型来对实时捕捉到的射手射箭数据进行分析和评估，以评估射手的射箭动作的一致性。这个过程可以分为以下几个步骤：首先，需要将实时捕捉到的数据进行预处理，以确保其与训练数据具有相同的特征向量格式。然后使用训练好的模型对处理后的数据进行预测。对于每个输入的特征向量，模型将会输出一个预测的类别标签，代表该特征向量最有可能属于哪一类。最后通过对预测结果进行分析和比较，可以评估射手的射箭动作的一致性。具体地，我们可以统计射手在不同时间段内的射箭动作的预测结果，计算这些结果之间的相似性或差异性，以及在不同时间段内预测结果的一致性。这些指标可以用来评估射手的射箭动作的一致性和稳定性，以及识别潜在的改进机会。

当陀螺仪和加速度计捕捉到新的射箭动作数据时，可以使用相同的特征提取方法，将数据转换为特征向量，然后将其输入训练好的模型中进行分类。模型将返回一个预测的类别标签，指示射箭动作属于哪个类别，如标准动作、不稳定动作等。根据预测的类别标签和之前训练数据中的类别标签进行比较，可以评估实时捕捉到的射箭动作与标准动作之间的差异和一致性，以提供针对性的反馈和改进建议。

使用训练好的模型对实时捕捉的数据进行分析和评估，可以帮助射手了解自己的射箭动作表现，发现潜在的问题和改进机会，从而提高射箭的技术水平和竞技成绩。旋转数据的捕捉和分析可以帮助检测射手在射箭过程中是否有正确的身体姿势和动作执行，特别是针对竞技反曲弓射箭后的旋转特性。通过引入旋转数据的监控和评估，可以更好地指导运动员的训练，纠正不良姿势，避免损伤，并提高射箭动作的准确性和一致性。

在现实射击训练中，由于射手就只能通过简单的数字数据来判断自己射箭动作的一致性，这对于大多数人来说可能不太直观和容易理解。为此，本申请通过柱状图等可视化手段，可以将数据以更加直观和易于理解的方式呈现给射手，使得他们更容易理解自己的射箭动作的问题，也就是在看S4步骤之后，生成可视化柱状图展示射手的射箭动作数据和对应的分析结果。

通过将捕捉到的数据转化为柱状图的形式，可以直观地展示不同动作参数的数值，并将其与标准姿势进行对比。运动员可以通过观察柱状图，了解自己的动作在不同方面与标准姿势的差异，从而更好地调整和改进姿势。

柱状图可以将不同参数的数值以柱状的高度来表示，例如角度、角速度、加速度等。不同的参数可以在柱状图中以不同的颜色或图案进行区分，使运动员能够直观地看到各个参数的数值情况。通过比较柱状图与标准姿势的柱状图，运动员可以清晰地了解自己在哪些方面存在偏差，并有针对性地进行调整。

通过可视化柱状图的方式，运动员可以更直观地了解自己的姿势问题，提高对自身动作的认知，并根据柱状图的指示进行姿势的纠正。这样，可视化柱状图作为一种辅助工具，能够有效地帮助运动员改善姿势。

具体的来讲，首先，需要在训练模型时为每个射箭姿势定义一个唯一的标签。例如，如果我们要评估射手的臂部动作，可以将“手臂外展”、“手臂下垂”等不同的姿势分别定义为标签1、标签2等等。然后，在训练模型时，使用这些标签来指导模型学习如何将不同的射箭姿势分类。

在预测过程中，当我们将陀螺仪和加速度计捕捉的数据转换为特征向量后，可以使用已训练好的模型来对该向量进行分类，并预测出对应的标签。因此，我们可以通过将每个标签与其对应的姿势问题关联起来，将模型的预测结果转换为具体的问题描述。例如，当模型预测的标签为“1”时，我们可以将其转换为“手臂外展”的问题描述。

一旦我们将模型的预测结果转换为具体的问题描述，就可以使用柱状图可视化工具来展示不同问题的数量。例如，可以使用柱状图来展示每个问题出现的次数，以便射手更清楚地了解自己的问题所在，并进行相应的调整和改进。此外，还可以将不同的问题按照重要性和紧急性进行排列，以帮助射手更有针对性地改进自己的射箭姿势。

本发明还公开了一种矫正竞技反曲弓射箭运动姿势的装置，如图3所示，包括捕捉模块，转换模块，训练模型模块，分析评估模块。

在本实施例中，关于各模块/单元的功能如下：

捕捉模块,用于捕捉射手的射箭动作数据，其中所述射箭动作数据是射击后竞技反曲弓旋转数据；

转换模块,用于将捕捉的数据转换为特征向量；

训练模型模块,用于对特征向量进行训练，以训练模型用于识别和评估不同的射箭动作；

分析评估模块,用于对实时捕捉的数据通过模型进行分析和评估，以评估射手的射箭动作的一致性，其中所述实时捕捉的数据是实时射击后竞技反曲弓的旋转数据。

具体的讲，所述捕捉模块是由陀螺仪，加速度计以及磁力计组成，所述转换模块是通过LDA模型将捕捉的数据转换成特征向量，所述训练模型模块是通过k近邻算法来对特征向量进行训练。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。