用于肢体动作类教学管控的方法及系统与流程

本发明涉及教育信息化领域，具体涉及以物联网为基础的肢体动作类教学管控的方法和系统。

背景技术：

教育部印发《教育信息化2.0行动计划》中提出要到2022年基本实现“三全两高一大”的发展目标。其中，“三全”指教学应用覆盖全体教师、学习应用覆盖全体适龄学生、数字校园建设覆盖全体学校；“一大”指建成“互联网+教育”大平台。在这一大趋势下，各类基于互联网+的教育教学管理平台被发明和应用，有效的推进了教育信息化的发展。

目前的教育教学管理平台主要集中在以互联网为基础的师生交互方面，主要针对课堂讲授型学科的管理和监督。其中较为典型的有中国专利公开文件“cn201611175428.5基于任务驱动的精准课堂教学云教育管理系统”、“cn201710332316.4基于云平台的分层式智慧教育系统”、“cn201810358046.9基于软硬件结合的双师互动教学系统”等，这类型的发明专利均是以课堂交互，教案或者习题等资料共享，教学、实验、作业及师生互动为目的，有效的解决了传统教学方式中师生脱节，交互不畅的问题。

然而，对于体育、舞蹈等以肢体运动为主的学科，其教学、作业、师生交互、以及学生训练情况均无法用传统的文字、图片、或视频资料等形式进行管理、评估、和监督。换句话说，现有的教学管理平台均无法适用于以肢体运动为主的学科教学中。

综上所述，为达到教学应用全覆盖的目的，解决现有教学平台仅针对讲授型学科管控的问题，需要发明新的应用于肢体运动类学科的教学管控系统，利用信息化手段实现教学的有的放矢和精准化管理。

技术实现要素：

本发明的目的在于提供用于肢体动作类教学管控的方法及系统，以克服上述现有技术存在的的缺陷，本发明解决了现有教学管理平台仅能用于教学、实验、作业及师生互动的讲授型学科，而无法应用于肢体运动类学科教学的问题。

为达到上述目的，本发明采用如下技术方案：

包括以下步骤：

步骤11：教师根据所教肢体动作，佩戴相应的动作传感器模组，动作传感器模组利用配备的传感器模块采集相应部位的动作数据，并通过无线收发模块将动作数据通过接入点传输至云平台，并标记为该类型肢体动作的标准；

步骤12：学生根据教师布置的肢体动作类任务，选择佩戴相应的动作传感器模组，并按照任务要求完成相应的肢体动作训练；

步骤13：所述步骤12中的动作传感器模组利用配备的传感器模块采集相应部位的动作数据，并通过无线收发模块将动作数据传输至接入点，接入点利用低复杂度算法计算动作数据参数，并实时将结果反馈给学生终端；同时，接入点将动作数据通过互联网发送至云处理平台；

步骤14：云处理平台收到动作数据后，利用高复杂度算法精确计算运动相关的各项参数，并将计算结果保存在云数据库中；

步骤15：教师和教学督导从云数据库读取学生动作数据参数，结合云平台大数据分析结果，进行学生训练程度分析及训练计划制定，并通过云平台反馈给学生。

作为本发明方法进一步的方案，步骤11中所述的肢体动作类任务包括，体育、舞蹈、健身、乐器演奏的以肢体运动为主的任务。

作为本发明方法进一步的方案，所述的动作传感器模组具体指：由m(m≥1)个相对独立的动作传感器模块和无线收发模块组成，其中，动作传感器模块采集相应运动部位的x,y,z三个维度中的九类运动数据信息；其中，无线收发模块将采集到的九类运动数据信息进行发送；接入点是与无线收发模块对应的接入设备。

作为本发明方法进一步的方案，步骤13中所述的低复杂度算法，具体包括：

步骤131：求出所述九类运动数据信息在时域上的统计信息，包括每类数据的均值，最大值，最小值，标准差，以及不同类数据之间的协方差；

步骤132：将步骤131中的统计信息作为输入，利用支持向量机计算出所做动作的类别；

步骤133：根据九类运动数据信息的起止时间，计算出所做该种动作训练的总时间长度。

作为本发明方法进一步的方案，步骤14中所述的高复杂度算法，具体包括：

步骤141：利用数据降维方法，将所述九类运动数据信息降维成一维时间连续数据；

步骤142：利用生成的一维时间连续数据作为输入，利用深度学习工具计算出所做动作类别，并从九类运动数据信息中选择出一类变化与动作相关性最大的信息；

步骤143：对该类相关性最大的信息在时域上进行小波变换，找出相对应的最大时变频率；

步骤144：以该最大时变频率为基准，利用过零点检测的方法，判断出所做动作的次数，和动作每次的周期长度；

步骤145：判断所做动作与标准动作的相似程度，为所做动作的准确性评分；

步骤146：将计算出的动作类别，所做动作的次数，动作每次的周期长度，动作的准确性得分信息整合后发送至云数据库。

作为本发明方法进一步的方案，步骤15中所述的学生训练程度分析及训练计划制定包括根据云数据库中存储的学生训练完成各项参数的历史信息，对学生训练已达到的程度进行衡量，并结合已有经验值，使用基于时域数据的预测方法，修改及制定学生下一阶段的训练计划，同时给出此训练计划预期达到的目标。

本发明还提供了实现这种用于肢体动作类教学管控的方法的系统，具体包括：

动作传感器模组：由多个独立的动作传感器本体组成，每个动作传感器本体由九轴加速度传感器，无线收发模块，微处理器和电池模块组成，其中九轴加速度传感器负责收集用户对应位置肢体的运动数据，包括x,y,z三个维度中九类运动数据信息；无线收发模块负责上传所述收集到的九类运动数据信息；微处理模块负责对动作传感器本体活动进行控制；电池模块负责对动作传感器本体供电和电池充电；

无线数据接入设备：与动作传感器本体直接相连，由无线收发模块，数据处理模块，网络接入模块，供电模块组成；其中无线收发模块负责与动作传感器本体建立无线连接，并接收动作传感器本体发送的数据信息；数据处理模块负责执行低复杂度算法，计算所述传感器本体发送的数据信息的运动参数；网络接入模块通过与因特网或蜂窝网核心网相连接，为收到的动作传感器本体的运动数据信息提供回传通道，并通过该通道将运动数据信息发送至云处理平台，同时将计算出的运动状态信息实时推送至学生终端；

云处理平台：与所述无线数据接入设备相连，所述云处理平台由云处理模块，训练评估及预测模块，云数据库组成；其中云处理模块负责运行高复杂度算法，对动作传感器本体的运动信息进行处理，计算出动作类别，所做次数，每次的周期，动作准确性得分信息；训练评估及预测模块，负责对当前训练状态进行评估，并利用历史数据使用预测算法对今后训练进行规划及预测；云数据库负责为每位用户存储动作类别，所做次数，每次的周期，动作准确性得分训练信息，当前训练状态信息，训练规划及预测信息；

用户终端：用于接收云处理平台的反馈信息，由学生终端，教师终端，教学监督终端组成；其中学生终端负责接收训练方案，训练统计参数，训练状态以及训练预测曲线信息，同时通过学生终端能够反馈学生训练和对课程的理解情况；教师终端负责向学生终端发布训练计划，查看学生训练数据，评估训练状态，根据训练预测信息制定下一阶段训练方案；教学监督终端负责接收学生的反馈和教师的训练方案；用户终端指多媒体处理终端。

与现有技术相比，本发明具有以下有益的技术效果：

(1)本发明方法和系统利用基于物联网的动作传感器模组，收集并上传了肢体运动类学科中学生运动的准确数据，为此类型学科和课程的学生训练任务的实施和完成情况提供了依据，解决了传统教学方式中，学生训练情况难以考核和监管的问题；

(2)本发明方法和系统利用支持向量机、深度学习等人工智能技术，对学生运动数据进行处理和分析，为学生对动作训练掌握和动作标准性情况提供了可量化的指标，解决了现有教学过程中此类学科对于学生掌握情况难衡量的问题；

(3)本发明方法和系统利用云平台对每个学生的运动数据进行储存，并利用统计和基于时域的预测技术，结合人工智能技术给出的每个学生对运动动作掌握和训练情况，给出基于预测结果的训练方案调整建议，为教师把握和管控每个学生的学习和训练进度提供可靠和直观的理论和数据依据。

附图说明

图1为本发明用于肢体动作类教学管控的方法的运作流程图；

图2为本发明实现用于肢体动作类教学管控方法的系统的结构示意图；

图3是本发明实现用于肢体动作类教学管控方法的系统的结构框图；

图4是本发明用于肢体动作类教学管控方法的动作传感器模组的内部连接框图；

图5是本发明中无线数据接入设备的结构框图；

图6是本发明中云处理平台的结构框图；

图7是本发明中用户终端结构示意图；

图8为本发明中由接入点计算的动作训练结果示意图；

图9为本发明实施例中哑铃弯举时加速度传感器采集到的九轴运动信息示意图；

图10为本发明实施例中哑铃弯举时x轴加速度小波变化示意图；

图11为本发明实施例中哑铃弯举时动作基频频率变化示意图；

图12为本发明实施例中哑铃弯举时每次动作周期变化示意图；

图13为本发明实施例中学生训练结果及下阶段方案反馈图。

具体实施方式

为了能够更好的理解本发明用于动作类教学管控的方法以及实施该方法的系统，首先对本发明方法和系统的技术方案作以详细解释，然后结合附图，以体育专业学生进行哑铃力量训练作为具体的实施例，对本发明作进一步详细描述：

参见图1，本发明用于肢体动作类教学管控的方法包括以下步骤：

步骤11：教师根据所教肢体动作，佩戴相应的动作传感器模组，动作传感器模组利用配备的传感器模块采集相应部位的动作数据，并通过无线收发模块将动作数据通过接入点传输至云平台，并标记为该类型肢体动作的标准；

步骤11中所述的肢体动作类任务包括，体育、舞蹈、健身、乐器演奏的以肢体运动为主的任务。

步骤12：学生根据教师布置的肢体动作类任务，选择佩戴相应的动作传感器模组，并按照任务要求完成相应的肢体动作训练；

步骤13：所述步骤12中的动作传感器模组利用配备的传感器模块采集相应部位的动作数据，并通过无线收发模块将动作数据传输至接入点，接入点利用低复杂度算法计算动作数据参数，并实时将结果反馈给学生终端；同时，接入点将动作数据通过互联网发送至云处理平台；

步骤13中所述的低复杂度算法，具体包括：

步骤131：求出所述九类运动数据信息在时域上的统计信息，包括每类数据的均值，最大值，最小值，标准差，以及不同类数据之间的协方差；

步骤132：将步骤131中的统计信息作为输入，利用支持向量机计算出所做动作的类别；

步骤133：根据九类运动数据的起止时间，计算出所做该种动作训练的总时间长度。

步骤14：云处理平台收到动作数据后，利用高复杂度算法精确计算运动相关的各项参数，并将计算结果保存在云数据库中；

步骤14中所述的高复杂度算法，具体包括：

步骤141：利用数据降维方法，将所述九类运动数据信息降维成一维时间连续数据；

步骤142：利用生成的一维时间连续数据作为输入，利用深度学习工具计算出所做动作类别，并从九类运动数据信息中选择出一类变化与动作相关性最大的信息；

步骤143：对该类相关性最大的信息在时域上进行小波变换，找出相对应的最大时变频率；

步骤144：以该最大时变频率为基准，利用过零点检测的方法，判断出所做动作的次数，和动作每次的周期长度；

步骤145：判断所做动作与标准动作的相似程度，为所做动作的准确性评分；

步骤146：将计算出的动作类别，所做动作的次数，动作每次的周期长度，动作的准确性得分信息整合后发送至云数据库。

步骤15：教师和教学督导从云数据库中读取学生动作数据参数，结合云平台大数据分析结果，进行学生训练程度分析及训练计划制定，并通过云平台反馈给学生。

其中，所述的动作传感器模组具体指：由m(m≥1)个相对独立的动作传感器模块和无线收发模块组成，其中，动作传感器模块采集相应运动部位的x,y,z三个维度中的九类运动数据信息；其中，无线收发模块将采集到的九类运动数据信息进行发送；接入点是与无线收发模块对应的接入设备。

步骤15中所述的学生训练程度分析及训练计划制定包括根据云数据库中存储的学生训练完成各项参数的历史信息，对学生训练已达到的程度进行衡量，并结合已有经验值，使用基于时域数据的预测方法，修改及制定学生下一阶段的训练计划，同时给出此训练计划预期达到的目标。

参见图3-图7，本发明还提供了实现这种用于肢体动作类教学管控的方法的系统，具体包括：

参见图4，动作传感器模组：由多个独立的动作传感器本体组成，每个动作传感器本体由九轴加速度传感器，无线收发模块，微处理器和电池模块组成，其中九轴加速度传感器负责收集用户对应位置肢体的运动数据，包括x,y,z三个维度中九类运动数据信息；无线收发模块负责上传所述收集到的九类运动数据信息；微处理模块负责对动作传感器本体活动进行控制；电池模块负责对动作传感器本体供电和电池充电；

参见图5，无线数据接入设备：与动作传感器本体直接相连，由无线收发模块，数据处理模块，网络接入模块，供电模块组成；其中无线收发模块负责与动作传感器本体建立无线连接，并接收动作传感器本体发送的数据信息；数据处理模块负责执行低复杂度算法，计算所述传感器本体发送的数据信息的运动参数；网络接入模块通过与因特网或蜂窝网核心网相连接，为收到的动作传感器本体的运动数据信息提供回传通道，并通过该通道将运动数据信息发送至云处理平台，同时将计算出的运动状态信息实时推送至学生终端；

参见图6，云处理平台：与无线数据接入设备相连，由云处理模块，训练评估及预测模块，云数据库组成；其中云处理模块负责运行高复杂度算法，对动作传感器本体的运动信息进行处理，计算出动作类别，所做次数，每次的周期，动作准确性得分信息；训练评估及预测模块，负责对当前训练状态进行评估，并利用历史数据使用预测算法对今后训练进行规划及预测；云数据库负责为每位用户存储动作类别，所做次数，每次的周期，动作准确性得分训练信息，当前训练状态信息，训练规划及预测信息；

参见图7，用户终端：用于接收云处理平台的反馈信息，由学生终端，教师终端，教学监督终端组成；其中学生终端负责接收训练方案，训练统计参数，训练状态以及训练预测曲线信息，同时通过学生终端能够反馈学生训练和对课程的理解情况；教师终端负责向学生终端发布训练计划，查看学生训练数据，评估训练状态，根据训练预测信息制定下一阶段训练方案；教学监督终端负责接收学生的反馈和教师的训练方案；用户终端指多媒体处理终端。

以下是以哑铃弯举作为具体的实施方式，详细介绍了本发明方法和系统在实际工作中的应用，以便更好的对本发明方法和系统的理解。

实施例：

参见1和图2，图2为本发明实施例提供的实施用于动作类教学管控的方法的系统的结构示意图。如图1和图2所示，当教师需要要求学生进行哑铃弯举、侧平举、推肩、飞鸟等哑铃力量训练时，本实施例所做的是对哑铃弯举的测试；首先教师在手腕上佩戴图2所示的s101动作传感器模组，并依次进行相应动作的演示；参见图2和图4，所述动作传感器模组s101中的九轴加速度传感器，记录教师的运动过程及运动数据；运动数据包括x,y,z三个轴的角速度、加速度和角度信息，具体是指x轴加速度、y轴加速度、z轴加速度、x轴角速度、y轴角速度、z轴角速度、x轴速度、y轴速度和z轴速度；参见图2、图3、和图4，所述动作传感器模组中的wifi模块与wifi接入点s104进行连接，或者也可以通过zigbee节点，蓝牙终端，lora终端，nb-iot终端等进行数据发送，选择相对应的接收装置zigbee网关，蓝牙接收器，lora网关，nb基站等进行接入；参见图2和图3，并将运动的相关数据通过s104接入点传输至s105云处理平台进行处理和保存，作为后面判断学生训练状态的标准；同时利用本发明的教学管理平台发布学生训练任务，例如，初始任务为每个学生每个动作做20次。

学生甲和学生乙收到训练任务后，分别佩戴s102和s103动作传感器模组，并进行相应的动作训练。在训练的过程中，九轴加速度传感器分别记录两人的动作数据，分别记录学生甲和学生乙运动肢体产生的x,y,z三个轴的x轴加速度、y轴加速度、z轴加速度、x轴角速度、y轴角速度、z轴角速度、x轴速度、y轴速度和z轴速度共九类信息，并通过wifi模块上传至各自的wifi接入点中，或者也可以通过zigbee节点，蓝牙终端，lora终端，nb-iot终端等进行数据发送，选择相对应的接收装置zigbee网关，蓝牙接收器，lora网关，nb基站等进行接入；接入点将所收到的九轴运动数据信息进行统计压缩，得到每个轴数据的平均值、最大值、最小值、方差，及每两个轴数据之间的协方差等共计39个统计特征值，这些数据由一般的计算方法求得；在数值里选取最大值和最小值，平均值由统计变量数值总和与总数的商得到，方差和协方差均由数学公式计算得来，并将这39个统计特征值作为输入，利用支持向量机svm计算出所做动作的类型和数量，其结果见图8所示。

参见图2，接入点计算出图8的结果后，通过因特网分别推送至两位学生的终端设备s106和s107，学生可以通过终端实时获得训练信息，包括自己所做动作次数、动作周期、动作准确性得分、训练规划及预测信息等。

参见图2，同时，接入点将动作数据上传至s105云处理平台，s105云处理平台收到数据后，首先将9个轴的数据进行lda算法即线性降维方法，变成时域上的一维时间连续数据，并使用深度学习工具判断动作类别，并根据所判断出的动作类别从9个轴的数据中选择出一个变化最为明显的数据。

例如，本次收到哑铃弯举训练数据，9个轴的数据如图9所示；根据支持向量机进行动作判定，则选择x轴加速度轴数据作为变化最明显的数据，并对该轴数据在时域上进行小波变换得到如图10所示的时变频率ψ(t,f)；

如图11所示，从小波变换结果中提取出时域上强度最大的频率作为动作的基频ψ(t)＝argfmax[ψ(t，f)]；根据这一基频，利用过零点检测方法，去除x轴加速度数据在零点附近的抖动，并根据去除抖动后的过零点间隔，精确测定每次动作周期的变化，动作周期结果如图12所示，并将这一结果即周期和动作变化保存至云平台中该学生的云数据库中；更进一步的，云处理平台将学生甲和学生乙做进行的各种动作训练产生的9轴运动数据与教师上传的标准数据进行对比，根据每次动作周期差值、动作幅度差值、动作过程曲线偏离程度等参数，利用模糊综合评价法给出学生所做每类动作的准确性得分；更进一步的，云处理平台根据学生历史训练情况，使用贝叶斯预测算法，协助教师给出每个学生的训练计划调整方案，并通过教学管理平台发布给学生，如图13所示为最终向学生发布的动作训练结论和下一步训练方案。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明技术方案可以以软件产品的形式体现出来，该产品可以存储在一个非易失性存储介质(可以是cd-rom,u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，网络设备等)执行本发明各个实施例所述的方法。

需要说明的是，本领域技术人员可以理解附图只是一个优选实施例的示意图，但是，附图中的模块或者流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装之中，也可以进行相应变化位于不同于实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。