陳 佩，金立左，李久賢

(東南大學(xué)自動化學(xué)院，江蘇 南京 210096)

近年來，隨著運動健康的理念深入人心，以智能手環(huán)為代表的可穿戴電子設(shè)備得到普及[1]，市場前景可觀。目前智能手環(huán)對人體狀態(tài)的識別主要針對如走路、跑步和睡眠等的識別，市面上缺少諸如對打羽毛球等器械運動狀態(tài)識別的穿戴設(shè)備。為了滿足羽毛球愛好者對運動過程中揮拍狀態(tài)識別、記錄的要求，本文設(shè)計了一種可穿戴的運動分析裝置來輔助實現(xiàn)揮拍狀態(tài)的檢測分析，并將分析結(jié)果傳遞給運動者，不僅可以讓運動者知曉自己的揮拍狀態(tài)，還能幫助其改善自身球技。

當(dāng)前，運動分析主要有兩種方法，一是基于慣性傳感器的運動識別[2]，該方法主要依賴于對傳感器數(shù)據(jù)的處理；另一種是基于視頻分析的運動識別[3]，該方法依賴于對視頻圖像的處理。由于視頻分析方法的成本較高，本文采用慣性傳感器的方法。基于MPU6050[4]傳感器設(shè)計了單片機(jī)數(shù)據(jù)處理系統(tǒng)，選用高性能跨界處理器NXP RT1050[5]作為核心處理器進(jìn)行數(shù)據(jù)采集和算法處理，選用串口藍(lán)牙透傳模塊進(jìn)行數(shù)據(jù)傳輸。通過采集用戶運動時的傳感器數(shù)據(jù)，經(jīng)過預(yù)處理后進(jìn)行特征計算與提取，最后通過SVM(support vector machine，支持向量機(jī))分類器[6]進(jìn)行擊球動作分類，并實時將這些數(shù)據(jù)通過藍(lán)牙上傳至APP供用戶查看。本裝置具有硬件成本低、體積小和功耗低等特點，可以嵌入到羽毛球拍手柄底部，實現(xiàn)揮拍運動分析的功能。

1 系統(tǒng)設(shè)計

1.1 需求分析

根據(jù)擊打羽毛球常見的擊球揮拍方式，本文羽毛球揮拍運動分析裝置的基本功能需求如下：支持高球、推球、挑球和殺球4種正反手共8種擊球方式[7]的分類識別；支持每種擊球揮拍方式的數(shù)量統(tǒng)計；支持單種擊球揮拍方式每次擊球力度(速度)的記錄；除此之外，在尺寸和功耗等方面也應(yīng)滿足一定要求。

1.2 方案設(shè)計

系統(tǒng)總體方案包含兩個方面，一是以設(shè)備為核心的揮拍運動分析裝置，二是以上位機(jī)為核心的終端APP。由于終端上位機(jī)只負(fù)責(zé)接收數(shù)據(jù)與顯示，故不作詳細(xì)說明。揮拍運動分析裝置是本文的核心，其系統(tǒng)結(jié)構(gòu)框圖如圖1所示，它是以NXP RT1050為核心的單片機(jī)傳感器信息處理系統(tǒng)，系統(tǒng)傳感器為MPU6050六軸傳感器，可以實時提供運動分析裝置3個方向的加速度和角速度信息，此外裝置還搭載RGB-LED用于顯示裝置的工作狀態(tài)。裝置工作時置于球拍手柄底部，通過藍(lán)牙和終端連接，連接狀態(tài)可通過LED顏色判斷，綠色代表連接成功。

1.3 硬件設(shè)計

系統(tǒng)硬件主要包括以下模塊。

1)最小系統(tǒng)：最小系統(tǒng)包括RT1050單片機(jī)、電源、晶振和調(diào)試接口等，負(fù)責(zé)傳感器數(shù)據(jù)的采集、處理和識別。

2)傳感器模塊：選用MEMS數(shù)字傳感器MPU6050，它由三軸加速度計、三軸陀螺儀和1個DMP單元組成，通過IIC接口將數(shù)據(jù)傳輸?shù)絾纹瑱C(jī)。

3)無線藍(lán)牙模塊：選用串口轉(zhuǎn)藍(lán)牙透模塊，單片機(jī)通過UART串口與之相連，設(shè)置波特率為115 200bit/s與模塊通信。

4)RGB-LED模塊：設(shè)置RGB-LED燈主要是為了顯示裝置的工作狀態(tài)，包括充電狀態(tài)、連接狀態(tài)和運動狀態(tài)等。

5)電源模塊：選用線性充電IC TP5410實現(xiàn)鋰電池充放電管理的功能，通過線性穩(wěn)壓IC輸出多路穩(wěn)壓電源，保證了系統(tǒng)穩(wěn)定性和低功耗。

圖1 系統(tǒng)框圖

2 算法設(shè)計

揮拍運動分析算法部分主要由數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、動作捕捉、特征提取和分類識別5個部分組成。算法流程如圖2所示。

圖2 算法流程圖

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集，即RT1050單片機(jī)通過IIC接口與MPU6050數(shù)字傳感器相連，采集三軸的加速度、角速度數(shù)據(jù)，其采樣速率最高可達(dá)400kbit/s。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括數(shù)字濾波[8]和特征計算[9]兩個部分。數(shù)字濾波用于去除原始數(shù)據(jù)中的高頻噪聲，特征計算用于對原始數(shù)據(jù)進(jìn)行初步特征提取，以便于排除持拍時的方向差異和進(jìn)行動作捕捉。

2.2.1數(shù)字濾波

羽毛球運動的加速度、角速度信號主要為低頻信號。由于信號在傳輸?shù)倪^程中會受到噪聲的影響，同時球拍的抖動也會引入干擾噪聲，所以必須對采集到的原始信號進(jìn)行濾波以去除高頻噪聲的干擾。本文設(shè)計了低通IIR數(shù)字濾波器進(jìn)行濾波。

2.2.2特征計算

在實際運動中為排除持拍時不同方向的干擾，本文采用計算合加速度信號和合角速度的方法?？紤]到揮拍瞬間會產(chǎn)生較大的加速度，故本文采用計算加速度信號方差的方法以捕捉不同的動作[10]。本文將原始信號的合加速度、合角速度和加速度方差作為特征值，構(gòu)建特征向量。

記t時刻采集到的三軸加速度信號為axt,ayt,azt，三軸角速度為ωxt,ωyt,ωzt。分別計算t時刻的合加速度At、加速度方差Dt、合角速度Wt，計算公式如下：

(1)

(2)

Dt=(|axt|-At)2+(|ayt|-At)2+(|azt|-At)2

(3)

2.3 動作捕捉

羽毛球運動整個過程是連續(xù)的，期間可能產(chǎn)生多種類型的動作，因此動作識別需要提取有效動作區(qū)間的數(shù)據(jù)進(jìn)行分析。在運動過程中揮拍時的加速度和角速度相對于正常握拍時會有較大的變化，本文基于此通過設(shè)置靜態(tài)門限閾值捕捉有效揮拍動作窗口。

設(shè)Dt±m(xù)為t時刻前后m個采樣時間點的合加速度方差，U為靜態(tài)門限閾值，將Dt與Dt±m(xù)進(jìn)行比較，若滿足：

Dt-Dt±m(xù)≥U

(4)

則t時刻的采樣點可判斷為揮拍中心數(shù)據(jù)點，之后再合并可能檢測到的相鄰的中心數(shù)據(jù)點，即可捕捉包含有效運動信息的數(shù)據(jù)段，相關(guān)示意如圖3所示，圖中虛線為捕捉到的揮拍動作窗口，表示單次揮拍動作的有效數(shù)據(jù)段。

靜態(tài)門限閾值可根據(jù)不同用戶動作幅度的大小設(shè)置不同閾值，也即第一次使用裝置時可以先進(jìn)行參數(shù)校準(zhǔn)；由于羽毛球揮拍時間段一般在1s左右，本文裝置的采樣頻率為10Hz，故m可以取5～15。

2.4 特征提取

當(dāng)捕捉到單次揮拍動作的有效數(shù)據(jù)段后，只需要合并每一段的合加速度、合角速度和加速度方差構(gòu)建特征向量即可。假設(shè)得到的合加速度特征向量為CA，合角速度特征向量為CW，加速度方差特征向量為CD，則最終提取的特征向量為C，共6m+3維。

圖3 動作捕捉窗口示意圖

CA=[At-m,…,At0,…,At+m]

CW=[Wt-m,…,Wt0,…,Wt+m]

CD=[Dt-m,…,Dt0,…,Dt+m]

(5)

C=[At-m,…,At0,…,At+m,Wt-m,…,Wt0,…,Wt+m,Dt-m,…,Dt0,…,Dt+m]

(6)

2.5 分類識別

特征值提取完成后即可將數(shù)據(jù)傳入事先訓(xùn)練好的SVM分類器[11-12]進(jìn)行分類識別，因此該分類器的性能決定了整個分類過程的準(zhǔn)確性，本文在具體實現(xiàn)時移植了LibSVM庫，并采用了RBF(radial basis function)核函數(shù)[13]。分類的訓(xùn)練與使用流程如圖4所示。

圖4 SVM分類器的訓(xùn)練與使用流程

2.5.1數(shù)據(jù)集制作

制作時需要專業(yè)羽毛球運動員使用帶有揮拍運動分析裝置的球拍示范各種擊球方式的標(biāo)準(zhǔn)動作，采集大量有效數(shù)據(jù)，之后根據(jù)對應(yīng)的擊球類型標(biāo)定該數(shù)據(jù)，完成數(shù)據(jù)集的制作。

2.5.2模型訓(xùn)練

模型訓(xùn)練時，把采集得到的訓(xùn)練數(shù)據(jù)按照算法流程進(jìn)行處理獲得對應(yīng)的特征向量和人工標(biāo)記結(jié)果，將特征向量和標(biāo)記放入SVM模型得到訓(xùn)練模型。

2.5.3交叉驗證

本文采用6折交叉驗證[14]的方法驗證SVM分類器。具體操作時，按照以上數(shù)據(jù)集制作方法制作了6份不同羽毛球運動員的訓(xùn)練數(shù)據(jù)集，依次選擇其中一份作為測試數(shù)據(jù)，剩下5份作為訓(xùn)練數(shù)據(jù)。每次都是首先用訓(xùn)練數(shù)據(jù)訓(xùn)練SVM分類器，然后用該分類器分析測試數(shù)據(jù)的擊球類型，以達(dá)到提升分類器穩(wěn)定性的目的。用該方法建立的SVM分類器，由于訓(xùn)練數(shù)據(jù)來自于廣泛的實驗人群，可以建立一個普適化運動識別模型，因此適合大眾人群的羽毛球運動分析。

3 結(jié)束語

本文設(shè)計了一款低功耗的用于羽毛球運動的運動分析裝置，可以自動捕捉用戶揮拍的有效動作區(qū)間并識別分析出具體的揮拍動作類型，對于提高羽毛球運動愛好者的運動體驗有一定意義。同時，本文設(shè)計的運動分析裝置還可以推廣到網(wǎng)球、乒乓球等其他球類運動，具有普適性和推廣價值。