一种基于单元动作划分的篮球动作数据处理方法与流程

本发明属于体域网领域，涉及一种基于单元动作划分的篮球动作数据处理方法。

背景技术：

人体运动姿态识别是当前研究热点，寻找一种有效便捷的方法来识别人体运动姿态在很多领域都有应用价值。在篮球运动中，教练员通过获取运动员的运动信息，例如体温、脉搏及动作姿态，以此掌握运动员的训练状况，并对运动员的训练方案进行调整。传统上，姿态识别一般基于图像视频分析来进行，该类方法能通过图像或视频清晰地捕捉人体的运动姿态，准确性较高，但该类方法对设备要求高，且必须在安装有图像视频捕捉设备的特定场景中才能工作，同时视频无线传输对带宽也提出较高要求，因此这类方法不够灵活方便。

采用惯性传感器进行动作识别主要包括数据采集、数据划分、特征提取和动作分类四个阶段。在数据采集阶段，通过传感器节点采集人体不同部位的运动角速度、加速度以及磁场强度，采用卡尔曼滤波算法对传感器数据进行数据融合，减小噪声信号的干扰；在数据划分阶段，根据动作信号的波形曲线分析动作特征，进而进行各种不同动作类型的划分；在特征提取阶段，通过分析有限时间长度窗口内的数据，从时域和频域两个方面提取描述动作行为的特征向量；在动作分类阶段，利用机器学习方法训练分类器，将特征向量作为分类器的输入，计算得到动作类别。

本发明设计了一种基于单元动作划分的篮球动作数据处理方法，主要用于实现篮球动作识别的数据采集和数据划分这两个阶段任务。本方法采用惯性传感器获取人体的运动参数，根据篮球动作特点进行数据划分，为后续特征提取和动作分类提供可靠的数据来源，最终实现篮球动作的准确识别。

在进行姿态识别的以上四个阶段中，有5个问题需进一步说明。第一，数据采集阶段，根据最终识别动作的领域不同，传感器节点的设计方案、佩戴方法、通信模式各不相同；第二，数据划分阶段，采用的划分方法与待识别动作类型高度相关，需针对不同的动作设计不同的方法；第三，特征提取阶段，频域特征主要指对各传感器输出信息进行傅里叶变换之后得到的数据，时域特征主要指各传感器输出数据的均值和方差；第四，动作分类阶段，采用反向传递人工神经网络(BP-ANN)作为本方法的分类器；第五，特征提取及动作分类阶段采用的方法为已知方法，也是本专利提出方法的后续工作阶段，为了得到完整的最终实验效果，在本专利说明书中做简要介绍，但不是本专利要主张的内容。

技术实现要素：

本发明要解决的技术问题是基于单元动作划分，提出一种篮球动作数据处理方法。利用惯性传感器采集篮球运动员的动作姿态数据，同时分析篮球动作的构成与特点，进行基于单元动作划分的数据处理，为后续特征提取和动作分类提供可靠数据来源，实现对篮球动作的准确识别。

本发明的技术方案：

一种基于单元动作划分的篮球动作数据处理方法，步骤如下：

(1)数据采集阶段：设计惯性传感器节点，用于采集人体动作的角速度、加速度和人体周边的磁场强度，设计无线通信协议，发送数据至PC机；

设计传感器节点，传感器节点包括电源模块、传感器模块、处理器模块和通信模块；传感器节点的电源模块采用锂电池供电，其上为稳压电路，保证给传感器节点上集成的其他元器件提供3.3v稳恒电压；传感器模块采用集成有三轴陀螺仪、三轴加速度计和三轴电子罗盘的传感器芯片，分别用于采集角速度、加速度和磁场强度；处理器模块采用嵌入式处理器，8MHz晶振；通信模块采用无线收发器，将传感器模块采集到的数据发送给基站，进而传送给PC机进行后续处理；

工作时，采用4个传感器节点，分别固定在两条前臂和两条小腿的外侧，用于检测双臂和双腿的运动；各传感器节点与基站组成以基站为中心的星型网络拓扑结构，采用分时复用信道方式通信；4个传感器节点保持99Hz的频率采集角速度、加速度和磁场强度传感器信号，将采集到的传感器信号数据封装成帧通过无线方式发送给基站，基站进行数据接收并传输给PC机；将1秒钟平均分为100个时隙，在第一个时隙内，基站分别向每一个传感器节点发送时钟同步帧，内容包含基站时间戳和节点序号；各传感器节点接收到同步帧后，根据时间戳计算后续99个时隙内各自发送数据的时刻，以避免与其他传感器节点通信发生冲突，同时须回送确认信号给基站；如基站未收到某传感器节点的确认信号，则从1号传感器节点开始重新发送时钟同步帧，直至收到全部节点的确认信号为止，之后即进入后续99个时隙的数据通信过程；在后续99个时隙内，基站无需发出信号，只按确定时序接收各节点发来的传感器数据；

在数据划分阶段，通过分析篮球动作数据的离散度找到运动状态，再通过单元动作划分方法定位每一个单元动作，分析单元动作曲线的相似度，进而区分出瞬时动作和持续动作。

(2)数据划分阶段

首先将肢体当前动作姿态分为静止状态和运动状态；然后将上肢的投篮、接球、传球、运球，以及下肢的跳跃、走步以及跑步定义为单元动作，根据单元动作是否具有周期性，将运动状态分为瞬时动作和持续动作；瞬时动作不具周期性，它仅包含一个单元动作；持续动作具有周期性，它包含了多个连续重复的单元动作；

1)动作状态划分

根据肢体当前动作姿态数据的离散度特征区分运动状态和静止状态；计算每一时刻传感器模块单轴输出值与前一时刻该轴输出值之间的差的绝对值，然后将空间中三个坐标轴方向的差的绝对值相加，作为该传感器在当前时刻的离散度；当角速度离散度小于30，并且加速度离散度小于5这两个条件同时满足时，认为肢体当前处于静止状态；如上述两个条件不能同时满足，则认为肢体当前处于运动状态。

2)动作类型划分

首先通过判断角度变化曲线的波谷点来进行单元动作划分；在三维坐标系中，运动者的前进方向为x轴，与地面垂直的方向为z轴，与x轴和z轴确定的平面垂直的方向为y轴；选择绕y轴旋转的陀螺仪角度值作为数据划分依据，令α_n-2，α_n-1，α_n，α_n+1，α_n+2分别表示5个连续时间点中陀螺仪y轴的角度值，如α_n小于其他4个角度值，并小于阈值γ，则α_n为波谷点，否则α_n不是波谷点；其中，阈值γ取值为-20；通过波谷点将角度变化曲线进行分割，分割后得到的每一段曲线都代表一个单元动作。然后，比较相邻单元动作的相似度，以此确定该单元动作为瞬时动作，或者是持续动作的一部分，从而完成瞬时动作与持续动作的划分。

本发明的有益效果在于，提出了一种新的篮球动作数据处理方法。该方法设计了惯性传感器节点，可采集运动员的姿态数据，然后通过无线方式将数据发送给PC机；通过分析动作特点，将单元动作划分为瞬时动作和持续动作，为进一步的特征提取和动作分类创造基础。

附图说明

图1是本发明方法的总体流程图。

图2是本发明方法的传感器节点结构图。

图3是本发明方法的时钟同步机制工作原理图。

图4是本发明方法的基站工作流程图。

图5是本发明方法的篮球运动姿态的组成图。

图6是本发明方法的动作划分方法流程图。

图7是本发明方法的走步运球时前臂和小腿角度和角速度对比图；其中(a)走步运球时前臂角速度；(b)走步运球时前臂角度；(c)走步运球时小腿角速度；(d)走步运球时小腿角度。

图8是本发明方法对篮球动作识别的实验结果。

具体实施方式

以下结合发明内容和说明书附图详细说明本发明的具体实施方式。

采用惯性传感器进行动作识别主要包括数据采集、数据划分、特征提取和动作分类四个阶段。本发明提出的方法包括数据采集和数据划分两个阶段，流程如图1所示。在数据采集阶段，传感器节点采集角速度、加速度和磁场强度数据，通过无线通信协议将数据发送给基站，进而传送至PC机；在数据划分阶段，采用动作状态划分和动作类型划分两个步骤，得到全部单元动作数据，并将其划分为瞬时动作和持续动作两种类型。后续通过特征提取和动作分类，最终完成篮球运动的姿态识别过程。

(1)数据采集阶段

数据采集阶段，设计了传感器节点和无线通信协议，将传感器采集的数据无线传输至基站，进而发送给PC机进行后续处理。

传感器节点的结构如图2所示，由电源模块、传感器模块、处理器模块、通信模块四部分构成。电源模块包括3.7V锂离子电池和稳压电路，为传感器节点上的其他部件提供3.3V稳定电压。传感器模块采用MPU9250，其上集成了三轴陀螺仪、三轴加速度计和三轴电子罗盘，分别采集节点运动过程中空间三轴的角速度、加速度和磁场强度，合计输出九轴传感器数据；处理器模块采用STM32F411CE嵌入式处理器，8MHz晶振，采集传感器数据并控制无线收发器通信；通信模块采用nRF24L01无线收发器，在2.4GHz～2.5GHz频段内与基站通信。基站可采用任意一块具有nRF24L01无线模块和串行口模块的开发板，基站通过无线方式接收传感器节点发送的数据，然后将其通过串行口传输至PC机进行数据划分等后续处理。

数据采集过程中，4个传感器节点分别固定在前臂和小腿的外侧，以检测手臂和腿部的运动。各传感器节点通过无线方式将角速度、加速度和磁场强度数据发送给基站，基站进行数据收集并传输给PC机。

为保证无线传输的稳定，避免由于节点间时序混乱而引发的信号碰撞，采用同步时分复用方式搭建以基站为中心的星型网络拓扑结构。由于各传感器节点和基站的元器件难以严格一致，不同节点之间存在时钟偏差，因此需要进行时钟同步。时钟同步的工作原理如图3所示。设置同步周期为1秒，将其平均分割成100个时隙，第一个时隙发送时钟同步信号，后续99个时隙传输数据。在第一个时隙内，基站处于发送状态，依序给4个传感器节点发送同步信号，内容包含了基站时间戳和节点序号。此时传感器节点处于接收状态，通过节点序号识别本节点的时钟同步信息，并根据时间戳计算在后续99个时隙中，每个时隙内部各自发送数据的时刻，以避免与其他节点通信发生冲突。在后续99个时隙内，基站无需发出信号，只按确定时序接收各节点发来的传感器数据。

在无线通信协议中，基站的工作流程如图4所示。基站上电后，初始化1秒定时器和时间戳，然后依次给4个传感器节点发送同步信号，并等待节点的应答确认，如能成功收到全部4个节点的确认，则进入990毫秒延时，延时结束后重置定时器和时间戳，进行下一秒同步；如不能成功收到全部4个节点的确认，则立即重置定时器和时间戳，开始下一秒同步。

(2)数据划分阶段

篮球运动中可能出现的动作姿态较为复杂。根据肢体当前的动作姿态，将篮球动作分为静止状态和运动状态。静止状态是指肢体姿态处于稳定不变的状态，而运动状态是指肢体进行篮球动作时的状态。例如接球时，运动员的腿部姿态保持不变，此时腿部处于静止状态，而进行接球动作的手臂处于运动状态。将上肢的投篮、接球、传球、运球，以及下肢的跳跃、走步、跑步定义为单元动作，则在运动状态中，依据是否具有周期性可将单元动作分为瞬时动作和持续动作。瞬时动作不具周期性，它仅包含一个单元动作，例如投篮、接球。持续动作具有周期性，它包含了多个连续的单元动作，例如一段时间的运球、走步等。据以上分析，如图5所示，运动状态可分为瞬时动作和持续动作，瞬时动作包括上肢动作和下肢动作，这二者均由单元动作构成，其中上肢动作包括投篮、传球和接球，下肢动作包括跳跃；持续动作也包括上肢动作和下肢动作，其中上肢动作包括运球，下肢运动包括走步和跑步。

数据划分包括两个步骤，方法流程如图6所示。第一步为动作状态划分，根据两种状态下运动数据的离散度特征，完成运动状态数据的提取，将运动状态和静止状态区分开。提取出的运动状态中混合了瞬时动作和持续动作，由于持续动作是由多个连续的单元动作组成，因此在数据划分的第二步中基于单元动作完成动作类型划分，即根据运动过程中肢体的角度变化特征确定单元动作，进而完成瞬时动作与持续动作的划分。下面分别详细介绍这两个步骤。

①动作状态划分

定义传感器信号样本值之间的差值作为离散度，离散度用于表征观测变量各个取值之间的差异程度。以角速度为例，令表示时刻n陀螺仪的x轴角速度，表示时刻n-1陀螺仪的x轴角速度，表示时刻n陀螺仪的x轴角速度与时刻n-1的x轴角速度的差异，即为陀螺仪x轴角速度在时刻n的离散度，如式(a)所示：

同理，分别表示陀螺仪y轴和z轴角速度在时刻n的离散度。

为实现动作的准确划分，需要综合考虑各传感器数据特征。令表示时刻n加速度传感器的x轴加速度，表示时刻n-1加速度传感器的x轴加速度，表示时刻n加速度传感器的x轴加速度与时刻n-1的x轴加速度的差异，即为加速度传感器x轴加速度在时刻n的离散度，如式(b)所示：

同理，分别表示加速度传感器y轴和z轴加速度在时刻n的离散度。

令表示时刻n陀螺仪数据的离散度，表示时刻n加速度传感器数据的离散度，二者定义分别如式(c)和(d)所示：

在静止状态下，角速度和加速度的离散度分别保持在阈值λ_g和λ_a以下；在运动状态下，传感器的数据会随着运动员的动作而快速变化，传感器数据的差异程度由离散度来表示，根据离散度特征即可实现运动员肢体动作状态的划分。

用y_n表示时刻n运动员肢体所处状态，y_n为0表示静止状态，y_n为1表示运动状态，由各传感器数据离散度，通过式(e)可求得当前肢体所处状态。

其中，阈值λ_g和λ_a的取值分别为30和5。

②动作类型划分

传感器节点的陀螺仪传感器负责采集角速度，对角速度积分可得到角度。角速度和角度作为描述物体转动快慢和方向的物理量，能够反映腿部和手臂的摆动情况，但是由于传感器特性漂移、安装偏差、噪声等的存在，使传感器输出数据有一定误差，因此先采用卡尔曼滤波算法加以修正。

图7为走步运球过程中角速度和角度的对比图，横坐标代表时间,图7(a)和图7(c)的纵坐标分别代表走步运球时前臂和小腿的角速度，图7(b)和图7(d)的纵坐标分别代表走步运球时前臂和小腿的角度。对比图7(a)和图7(c)可知，角速度信号中存在着较多噪声，曲线不够平滑；由图7(b)和图7(d)可知，角度信号曲线较为平滑，所以，以角度作为依据进行动作划分，可以降低实现复杂度。

单元动作划分通过判断角度变化曲线的波谷点来完成。在三维坐标系中，运动者的前进方向为x轴，与地面垂直的方向为z轴，在x轴和z轴确定的平面上，运动者的前臂和小腿摆动角度变化最明显，即前臂和小腿围绕与该平面垂直的y轴旋转最明显，因此本方法选择绕y轴旋转的陀螺仪角度值作为数据划分依据。令α_n-2，α_n-1，α_n，α_n+1，α_n+2分别表示5个连续时间点中陀螺仪y轴的角度值，如α_n小于其他4个角度值，并小于阈值γ，则α_n为波谷点，否则α_n不是波谷点。其中，阈值γ取值为-20。

由图5可知，瞬时动作由一个单元动作组成，持续动作由多个单元动作组成。在单元动作划分完毕之后，需比较相邻单元动作的相似度。每一个单元动作要么是一个独立的瞬时动作，要么是一个持续动作的组成部分，比较相邻单元动作曲线的相似度，完成瞬时动作和持续动作的类型划分，为下一步特征提取准备数据来源。

(3)特征提取与动作分类

在数据划分阶段之后，得到单元动作数据，由加速度和角速度组成，之后进入特征提取阶段。令分别表示时刻n加速度计三个轴的加速度数据，分别表示时刻n陀螺仪三个轴的角速度数据。用α_n和g_n分别表示时刻n合加速度矢量的数值部分与合角速度矢量的数值部分，可通过式(f)和(g)分别求得。

将三轴加速度、三轴角速度、合加速度矢量的数值、合角速度矢量的数值组成一个8维向量，对每个单元动作采样N次，故可构成一个N×8的矩阵，其中第i行第j列元素为m_ij，矩阵的每一列表示一个维度。计算每个维度数据的时域特征和频域特征。时域特征包括均值和方差，用μ_j和分别表示第j列的均值和方差，定义分别如式(h)、(i)所示：

频域特征包括离散傅里叶变换的峰值和其对应的频率。采用离散傅里叶变换方法，将信号从时域转换到频域，用S_DFT(i，j)表示第i行第j列元素的傅里叶变换结果，q为虚数单位，其计算方法如式(j)所示。

根据傅里叶变换结果求得第j列元素的峰值为S_DFT(K，j)，其中，峰值所对应的采样点为K，则其对应的频率f由公式(k)可得，其中f_s表示传感器的采样频率。

通过特征计算，可求得样本中各个维度数据在时域和频域上的特征，从而构造特征向量，完成特征提取过程。

在特征提取阶段之后，进入动作分类阶段，采用BP-ANN作为本发明选用的分类算法。直接借助weka平台中的BP-ANN算法实现对特征向量的分类测试，测试过程中采用十折交叉验证法，从准确率和召回率两个方面评估该数据处理方法对篮球动作识别的有效性。

(4)实验结果

对运动者篮球运动姿态进行数据采样，并通过数据划分对单元动作进行分类，之后进行特征提取，计算每个单元动作对应的特征向量，最后为动作添加类别标签，完成动作识别。

在数据采集过程中，对8名男性运动者无球时的走步、跑步、跳跃以及持球时的站立运球、走步运球、跑步运球、投篮、传球和接球等9种动作分别进行数据采集，每种动作重复采样50次。采样过程中，各运动者按照要求完成规定动作，并由监测人员记录动作次数。表1为样本统计结果。

表1 各运动者数据采集样本数量

采用BP-ANN算法计算本方法的动作识别准确率和召回率。表2和表3分别展示了BP-ANN算法对上肢和下肢样本集的测试结果，测试过程采用十折交叉验证法在weka平台上实现。

表2 上肢动作的分类结果

表3 下肢动作的分类结果

由表2和表3可得，上肢动作平均准确率达到94％，平均召回率达到93.9％，下肢动作的平均准确率达到99.2％，平均召回率达到99.3％。上肢动作的识别准确率相对较低，造成这种现象的原因是站立运球、走步运球以及跑步运球的上肢运动状态均为运球状态，三种运球特征相似，区分难度较大。如表4所示，将站立运球、走步运球和跑步运球的上肢运动作为一种运动状态，其平均识别准确率可达98.5％，平均召回率可达98.8％，达到了较好的效果。

表4 合并后的上肢动作的分类结果

图8总结了前述9种篮球动作的识别准确率，其中横坐标表示动作类别，纵坐标表示准确率，各篮球动作的识别准确率均不小于95.80％，平均准确率达到了98.72％。