(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111406739.9 (22)申请日 2021.11.24 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 阳媛　周景皓　尹俊鹏　郑笑海　 何子飞　杨浩然　李晓智　 (74)专利代理 机构 南京众联专利代理有限公司 32206 代理人 吕书桁 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/70(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的微惯性武术动作识别 方法及系统 (57)摘要 本发明提出了一种基于机器学习的微惯性 武术动作识别方法及系统， 包括数据采集模块、 通信组网模块、 数据处理模块、 数据库存储模块、 规范性分析模块以及反馈模块。 数据采集模块可 以通过微惯性数据传感器采集该用户训练时的 节点速度， 角速度， 加速度及压力； 通信组网模块 通过滤波算法进行数据传输； 数据库存储模块通 过Sql进行数据存储； 建立反馈模块， 对不合理的 数据进行反馈， 并重新测量。 本发明基于机器学 习， 将采集的运动信号进行处理， 通过三级处理 模式进行标样， 可以以更规范且少量的数据源获 得更多样性的组合动作以提高动作识别的准确 性。 本发明亦可准确识别人的武术动作， 并进行 规范性评估。 权利要求书2页 说明书4页 附图1页 CN 114187654 A 2022.03.15 CN 114187654 A 1.一种基于机器学习的微惯性武术动作识别系统， 包括数据采集模块、 通信组网模块、 数据处理模块、 数据库存 储模块、 规范性分析模块以及反馈模块， 其特 征在于， 所述数据采集模块用于采集人体相应部位上的微惯性数据与力数据， 并将微惯性数据 上传到通信组网模块； 所述通信组网模块用于汇总各数据采集模块的数据， 并通过滤波处理后 一同上传到数 据处理模块； 所述数据处理模块用于将采集到的数据进行三级数据处理， 并将处理后的数据 上传到 数据库存 储模块和规范性分析模块； 所述数据库存储模块用于将处理后的数据与数据库中的标准数据对比， 并将得出的动 作分类上传到规范性分析模块和反馈模块； 所述规范性分析模块用于将处理并分类后的数据与规范化动作的数据进行对比， 并将 比对后的评分上传至反馈模块； 所述反馈模块用于向用户显示检测到的武术动作名称以及规范性评分。 2.根据权利要求1所述的一种基于机器学习的微惯性武术动作识别系统， 其特征在于： 所述数据采集模块， 即一款微型纽扣式力传感器与一款集成了三轴加速度计、 三轴陀螺仪 以及一款低功耗 微处理器的六轴姿态传感器， 部署在人体相应部位上， 采集相关运动数据。 3.根据权利要求1所述的一种基于机器学习的微惯性武术动作识别系统， 其特征在于： 所述通信模块由部署在人体的n个采样节点和 一个接收终端构成， 所述采样节点进行级联 传输， 先传输 到胸部主节点， 汇总数据后一同发送到 接收端。 4.根据权利要求1所述的一种基于机器学习的微惯性武术动作识别系统， 其特征在于： 所述规范性分析及反馈模块， 通过多次标准武术动作模拟及数据采集， 构建动作数据库后， 对初学者的武术动作进行规范和校正， 通过将实时采集到的的各项动作数据包括速度、 加 速 度 和 角 速 度 数 据 与 数 据 库 里 面 的 标 准 数 据 进 行 对 比 ，计 算 出 差 异 度 其中， dt、 dst分别是待比对数据和标准数据， qt为数据dt的相似度 占比加权， 通过反馈结构将结果实时反馈给用户， 适用于动作监测打 分及规范性评估。 5.一种基于机器学习的微惯性武术动作识别方法， 其特征在于： 所述方法采用三级数 据处理模式； 所述三级处理模式中， 一级数据操作为， 根据惯性传感器得到的加速度， 以及力传感器 所测得力度， 融合估计实际力度， 计算式为， 其中mk为第k个传感器附着部位的 相对质量且可以通 过mk＝pjk*M计算出， 其中pjk为由用户的性别和具体部位共同决定的重量 占比， 其中M 为用户输入的自身体重， ak为第k个传感器附着部 位的三轴合加速度， fk为第k个 传感器附着部位力传感器测得力度； 所述三级处理模式中， 二级数据操作为， 计算出该数据集中速度、 加速度、 角速度、 压 力、 姿态角的信息熵： 其中Pi表示第i个动作数据占所有数据 的比例， a为修正系数 N为采集数据的类别数量， a为静态节点的个数， 计算权　利　要　求　书 1/2 页 2 CN 114187654 A 2特征Si的标准加 权数 其中， at为人体各个部位所对应的权重， qt为Si的各项 高相关性因素的加权， 且qt＞1， 据此， 构建随机森林模 型， 由于模型存在 n个低相关性特征， 该决策模型的最终票权P＝0.8n， 所述高相关因素为相 邻节点的加速度比值， 胸部与腰部节 点的速度信息、 边界节 点的速度与位置信息； 所述低相 关因素为幅值恒定的特 征数据、 静态 节点的均值和标准差； 所述三级处理模式中， 三级数据操作为， 通过对实时得到的动作数据和标准数据库里 面的数据进行差异化计算 其中Lt为各个部位对应数据的差异值， ak为二级 数据处理中确定的各部位权值， 得到 显示动作标准 性的差异度指标L。权　利　要　求　书 2/2 页 3 CN 114187654 A 3