王沛

摘 要： 運(yùn)動(dòng)分析技術(shù)已被廣泛用于監(jiān)測(cè)運(yùn)動(dòng)員傷害的可能性研究，然而，該類技術(shù)所采用的設(shè)備大部分都很昂貴，目前只能在實(shí)驗(yàn)室環(huán)境中使用，并且只能對(duì)每次移動(dòng)動(dòng)作進(jìn)行少量檢測(cè)。提出了一種新穎的動(dòng)態(tài)運(yùn)動(dòng)分析框架，使用可佩戴慣性傳感器來(lái)準(zhǔn)確評(píng)估運(yùn)動(dòng)員在真實(shí)訓(xùn)練環(huán)境中的所有活動(dòng);并利用該框架設(shè)計(jì)了一個(gè)分析系統(tǒng)，系統(tǒng)使用離散小波變換（DWT）和隨機(jī)森林分類器自動(dòng)分類大范圍的訓(xùn)練活動(dòng)，分類器能夠以高達(dá)98%的準(zhǔn)確度成功分類各種活動(dòng)。其次，使用計(jì)算有效的梯度下降算法來(lái)估計(jì)安裝在對(duì)象的小腿、大腿和骨盆上的可佩戴式慣性傳感器的相對(duì)方位，由此計(jì)算屈伸膝關(guān)節(jié)和髖關(guān)節(jié)角度;這些角度以及骶骨沖擊加速度會(huì)在慢跑過(guò)程中為每個(gè)步幅自動(dòng)提取。最后，生成規(guī)范性數(shù)據(jù)并用于確定受試者的移動(dòng)技術(shù)是否與規(guī)范性數(shù)據(jù)不同以確定潛在的受傷相關(guān)因素。

關(guān)鍵詞： 運(yùn)動(dòng)分析; 離散小波變換; 訓(xùn)練即時(shí)數(shù)據(jù); 自動(dòng)分類

中圖分類號(hào)： TP393

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1007-757X（2019）06-0107-04

Abstract： Motion analysis techniques have been widely used to monitor the possibility of injury to athletes. However， most of the equipment used in this type of technology is expensive and can only be used in laboratory environments and for each movement. And the action is tested in small amounts. This paper presents a novel dynamic motion analysis framework that uses wearable inertial sensors to accurately assess all activities of athletes in a real training environment. The framework is used to design an analysis system， and the system uses discrete wavelet transform （DWT） and random forest classifier to automatically classify a wide range of training activities， the classifier can successfully classify various activities with an accuracy of up to 98%. The system uses Calculate， an effective gradient descent algorithm， to estimate the relative orientation of the wearable inertial sensors mounted on the leg， thigh and pelvis of the subject， thereby calculating the flexion and extension knee and hip joint angles. These angles and the impact acceleration of the tibia will be automatically extracted for each step during jogging. Finally， normative data are generated and used to determine if the subject's mobile technology is different from the normative data and to determine potential injury-related factors.

Key words： Motion analysis; Discrete wavelet transform; Training instant data; Automatic classification

0?引言

運(yùn)動(dòng)對(duì)于身體的心血管、肌肉骨骼和心理健康有較大的益處，然而在運(yùn)動(dòng)過(guò)程中，下半身肌肉骨骼損傷是非常普遍的。幾乎所有的損傷都是由于組織上相對(duì)過(guò)度的負(fù)載，即相對(duì)于組織強(qiáng)度的高負(fù)載造成的。隨著科技的發(fā)展，利用各種傳感技術(shù)對(duì)運(yùn)動(dòng)員運(yùn)動(dòng)過(guò)程中各種運(yùn)動(dòng)技術(shù)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，來(lái)確定運(yùn)動(dòng)員受傷的傾向[1]以及可能造成傷害的相關(guān)運(yùn)動(dòng)項(xiàng)目（例如跑步，跳躍、著陸等）。一般來(lái)說(shuō)，運(yùn)動(dòng)員完成每個(gè)動(dòng)作的1-5次最大努力試驗(yàn)，并將其結(jié)果與規(guī)范值進(jìn)行比較。這些測(cè)試幾乎完全在實(shí)驗(yàn)室完成，因?yàn)榛谏锪W(xué)的運(yùn)動(dòng)分析系統(tǒng)傾向于基于相機(jī)，在測(cè)試期間必須保持空間固定，并且傾向于受到不斷變化的照明條件的負(fù)面影響，影響因素包含如下：

1） 運(yùn)動(dòng)員通常高度關(guān)注他們?nèi)绾瓮瓿扇蝿?wù)，因此可能不會(huì)使用他們通常在訓(xùn)練課程或比賽中使用的運(yùn)動(dòng)技術(shù)。

2） 受控的實(shí)驗(yàn)室環(huán)境并不能實(shí)際反映培訓(xùn)環(huán)境的條件（例如不均勻/濕地，疲勞條件等）。

3） 僅使用1到5次試驗(yàn)來(lái)代表運(yùn)動(dòng)員如何完成運(yùn)動(dòng)技術(shù)是不可靠的。

4） 由于受試運(yùn)動(dòng)員人數(shù)少，因此很多體育項(xiàng)目缺乏規(guī)范性數(shù)據(jù)分析。

解決以上評(píng)估挑戰(zhàn)的方法是使用可在整個(gè)培訓(xùn)課程或競(jìng)賽活動(dòng)中佩戴的傳感器，檢測(cè)運(yùn)動(dòng)員的關(guān)節(jié)角運(yùn)動(dòng)和沖擊加速度。身體上的加速度計(jì)可以用來(lái)根據(jù)牛頓的第二運(yùn)動(dòng)定律（F=ma）來(lái)推斷每次足底接觸時(shí)的數(shù)據(jù)加載。

1?框架介紹

如圖1所示為框架的組成部分，主要包含三個(gè)部分：i） 活動(dòng)分類;ii） 峰值沖擊加速度識(shí)別、傳感器方向計(jì)算、屈伸膝關(guān)節(jié)、髖關(guān)節(jié)角度識(shí)別;iii） 結(jié)果分析。本文只給出與骶骨沖擊加速度以及膝關(guān)節(jié)和髖關(guān)節(jié)屈伸角度相關(guān)的結(jié)果，以便舉例說(shuō)明該過(guò)程并避免不必要的重復(fù)，實(shí)現(xiàn)框圖如圖1所示。

1.1?活動(dòng)分類

自動(dòng)活動(dòng)分類用于識(shí)別不同的培訓(xùn)活動(dòng)，因?yàn)檫@可以讓體育和健康專業(yè)人員更快速地評(píng)估培訓(xùn)課程。這將使他們能夠通過(guò)活動(dòng)快速細(xì)分運(yùn)動(dòng)員的訓(xùn)練課程，從而更容易地定位所需的數(shù)據(jù)，這種方法有助于構(gòu)建一個(gè)數(shù)據(jù)庫(kù)，包含訓(xùn)練期間和訓(xùn)練結(jié)束后運(yùn)動(dòng)員關(guān)鍵數(shù)據(jù)的變化。

該研究中，國(guó)內(nèi)外學(xué)者已研究出了四種不同的分類器，用以創(chuàng)建最準(zhǔn)確的分類系統(tǒng)。分別為L(zhǎng)azy IBk、RBF Network、Naive Bayes和Random Forest。Lazy IBk是采用k-NN分類算法，已證明k-NNs在人類活動(dòng)問(wèn)題上有較好的分類結(jié)果[2]。而RBF網(wǎng)絡(luò)是一個(gè)人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）分類器，這個(gè)分類器也能夠成功地區(qū)分不同的人類活動(dòng)[3]。Naive Bayes是以Bayes算法作為分類策略，該類分類策略一直被應(yīng)用于各種分類問(wèn)題的解決[4]。Random Forest是一種相對(duì)較新的決策樹(shù)分類器，但該類算法需要較強(qiáng)的理論基礎(chǔ)，并已成功用于識(shí)別人類運(yùn)動(dòng)。大部分活動(dòng)分類的先前研究都涉及識(shí)別日常任務(wù)，例如進(jìn)食、上下樓梯、坐著、刷牙、靜止、行走和跑步等運(yùn)動(dòng)。

在對(duì)運(yùn)動(dòng)員的活動(dòng)進(jìn)行分類時(shí)，每個(gè)運(yùn)動(dòng)員進(jìn)行的練習(xí)例程首先被分割并注明所有活動(dòng)并用于創(chuàng)建一套訓(xùn)練集。然后選擇3秒的窗口長(zhǎng)度，因?yàn)檫@是完成每個(gè)選定的訓(xùn)練活動(dòng)的充足時(shí)間。離散小波變換（DWT）已經(jīng)成功地用于從加速度計(jì)數(shù)據(jù)中提取判別特征作為分類的基礎(chǔ)。小波變換通過(guò)將信號(hào)分解為選定母小波的多個(gè)時(shí)移和縮放版本來(lái)工作。

這些X，Y，Z矢量已被用于幫助識(shí)別足球和曲棍球的體育活動(dòng)[5]。DWT分解運(yùn)動(dòng)級(jí)別i的總能量ET由如式（1）。

其中Ai是第i級(jí)的近似系數(shù)，ATi是Ai的轉(zhuǎn)置，Di是第i級(jí)的詳細(xì)系數(shù)，EDRA表示近似系數(shù)的能量比，而EDRDj表示細(xì)節(jié)系數(shù)的能量比，分別表示如式（2）、式（3）。

1.2?技術(shù)分析

本節(jié)詳細(xì)介紹的練習(xí)是慢跑任務(wù)，選擇這個(gè)項(xiàng)目是因?yàn)樗巳?xiàng)可以構(gòu)成大多數(shù)行動(dòng)的動(dòng)作：一個(gè)與地面接觸階段，一個(gè)裝載階段以及一個(gè)擺動(dòng)階段。慢跑任務(wù)是根據(jù)上述分類方法給出的信息提取的，隨后使用膝關(guān)節(jié)角度和脛骨加速度來(lái)識(shí)別腳接觸周期（腳跟著地到下一次腳跟著地）。腳跟著地被定義為在膝關(guān)節(jié)角度數(shù)據(jù)（即擺動(dòng)階段）中的每個(gè)循環(huán)局部最大值之后的加速度的突然變化;隨后，提取膝關(guān)節(jié)和髖關(guān)節(jié)角度;分離的膝關(guān)節(jié)和髖關(guān)節(jié)角度曲線在試驗(yàn)和運(yùn)動(dòng)員之間表現(xiàn)出相似的模式，這與預(yù)期的時(shí)間特征不同。為了保持曲線形狀的所有信息（局部最大值和最小值的大小和時(shí)間），使用如下兩種方法創(chuàng)建規(guī)范曲線：（a） 在沒(méi)有登記的情況下對(duì)腳接觸周期進(jìn)行平均化，即生物力學(xué)中最常用的方法;（b） 在平均腳接觸周期之前執(zhí)行相移配準(zhǔn)方法，如式（4）、式（5）。

對(duì)于多個(gè)δj，相移注冊(cè)在腳接觸周期i內(nèi)將每個(gè)波形x的時(shí)域改變?chǔ)膉以找到其中注冊(cè)標(biāo)準(zhǔn)處于其最小值處的δj。本文所使用的標(biāo)準(zhǔn)（平方標(biāo)準(zhǔn)誤差，SSE）是針對(duì)每個(gè)波形相對(duì)于其特定時(shí)間間隔t內(nèi)的總體平均值μ^（t）計(jì)算的。這個(gè)過(guò)程適用于每一次足部接觸周期以確定每個(gè)足部接觸周期i的最佳δj;隨后，使用最佳δj登記這些曲線，在所有波形被登記后，整體平均值被更新并且整個(gè)過(guò)程被重復(fù)n次，直到登記標(biāo)準(zhǔn)中沒(méi)有發(fā)生顯著變化（SSEn-1≤SSEn≈SSEn+1）。為了檢查平均曲線和登記平均曲線之間是否存在差異，使用特性分析來(lái)檢查曲線，這種方法提供了比離散點(diǎn)分析或功能主成分分析更全面的比較，由于其識(shí)別隨后用于生成主題分?jǐn)?shù)的數(shù)據(jù)變化的階段。

2?實(shí)驗(yàn)及評(píng)估

2.1?數(shù)據(jù)收集

為了評(píng)估所提出的框架，使用六個(gè)可佩戴的慣性傳感器來(lái)捕獲9名健康受試者和一名患有腰痛的受傷受試者的行動(dòng)。本研究選擇不同技能熟練程度的受試者進(jìn)行研究，以提供廣泛的變化（即速度，運(yùn)動(dòng)技術(shù)等）來(lái)驗(yàn)證框架。將WIMU（Wearable Inertial Measurement Units，可穿戴式慣性測(cè)量裝置）放置在受試者的左/右小腿、大腿的左/右大腿以及骨盆和骶骨上，如圖2所示。

選擇每個(gè)身體部位上的傳感器的位置以避免大的肌肉;因?yàn)榧∪馐湛s和腳底撞擊引起的軟組織變形可能會(huì)對(duì)沖擊加速度和關(guān)節(jié)方位估計(jì)的準(zhǔn)確性產(chǎn)生負(fù)面影響。傳感器用雙面膠帶和尼龍搭扣帶固定在主體上，織物具有一定的彈性，從而不會(huì)限制主體的移動(dòng)和性能。隨后要求受試者按照他們通常在戶外訓(xùn)練期間執(zhí)行的一系列行動(dòng)。每個(gè)科目都在大型室外草地足球場(chǎng)上進(jìn)行預(yù)定義的訓(xùn)練。練習(xí)套路包括以下動(dòng)作：敏捷性切割、步行、沖刺、慢跑、跳箱和足球任意球。每個(gè)動(dòng)作大約持續(xù)60秒，整個(gè)過(guò)程大約需要9-10分鐘[6-8]。

每個(gè)傳感器的數(shù)據(jù)被記錄到設(shè)備上的內(nèi)部SD卡上，由于每個(gè)傳感器都獨(dú)立記錄數(shù)據(jù)，因此需要一個(gè)物理事件來(lái)將所有設(shè)備同步到一起。通過(guò)指示每個(gè)主體執(zhí)行5個(gè)垂直跳躍來(lái)實(shí)現(xiàn)的，從而確保每個(gè)設(shè)備上同時(shí)發(fā)生大的加速度峰值，這在加速度計(jì)流中將清晰可見(jiàn)。在后處理步驟中，自動(dòng)執(zhí)行峰值對(duì)齊，并且所有數(shù)據(jù)流在第一次垂直跳躍著陸之前被剪裁到兩秒鐘。每個(gè)數(shù)據(jù)捕捉會(huì)話的錄像也被記錄和注釋，以作為自動(dòng)分割和識(shí)別運(yùn)動(dòng)類別（即慢跑，敏捷性削減，短跑等）的基礎(chǔ)事實(shí)。

2.2?分類評(píng)估

采用隨機(jī)森林分類器測(cè)試的記錄數(shù)據(jù)，如表1所示。

利用1所示的測(cè)試數(shù)據(jù)，對(duì)訓(xùn)練期間分類器的精確度，召回率和F度量值進(jìn)行記錄，如表2所示。

從表2中可以看出，F(xiàn)-測(cè)量值在0.913到0.992之間變化，步行和敏捷性切割具有最高的F值，然后是慢跑，短跑，跳箱和足球踢。

訓(xùn)練和測(cè)試不同分類模型所需的時(shí)間，如表3所示。

每個(gè)分類器在測(cè)試數(shù)據(jù)實(shí)例時(shí)都非?？焖?，但多層感知器需要花費(fèi)大約10分鐘來(lái)訓(xùn)練單個(gè)模型。每個(gè)分類器區(qū)分?jǐn)?shù)據(jù)集中不同活動(dòng)的能力如圖3所示。

表3中RF、NB、MP分別代表Random Forest、Naive Bayes、RBF Network。總體而言，隨機(jī)森林（Random Forest）分類器是最準(zhǔn)確的。步行是一個(gè)非常低的能量活動(dòng)，因此每個(gè)分類器都能很好地將其與其他活動(dòng)區(qū)分開(kāi)來(lái)。同樣，敏捷性削減而像沖刺和踢踢這樣的高能量活動(dòng)被大多數(shù)分類器認(rèn)可，因?yàn)樗婕胺浅２煌念l率和運(yùn)動(dòng)模式。每個(gè)活動(dòng)都有獨(dú)特的特征，可以讓每個(gè)分類器區(qū)分它們。由于DWT的效率，相對(duì)少量的特征被輸入到每個(gè)分類器中，使得分類過(guò)程非?？焖佟?/p>

3?總結(jié)

本文描述了一種新穎的身體磨損慣性傳感器框架，能夠自動(dòng)分割和分類室外無(wú)約束環(huán)境中的各種動(dòng)作，提取骶骨峰值沖擊加速度，并計(jì)算使用連續(xù)數(shù)據(jù)的伸展—屈曲膝關(guān)節(jié)和髖關(guān)節(jié)角度分析來(lái)生成準(zhǔn)確的規(guī)范數(shù)據(jù)，并將個(gè)人與這些規(guī)范性數(shù)據(jù)進(jìn)行比較。所提出的框架對(duì)于在整個(gè)訓(xùn)練和競(jìng)賽過(guò)程中對(duì)運(yùn)動(dòng)員進(jìn)行監(jiān)測(cè)具有顯著的潛力：（a） 識(shí)別傷害和表現(xiàn)相關(guān)的決定因素;（b） 在廣泛的組織損傷之前在受傷途徑中早期識(shí)別個(gè)體;（c） 由于運(yùn)動(dòng)員的移動(dòng)技術(shù)，識(shí)別易受傷害的個(gè)體。

參考文獻(xiàn)

[1] Bohdanna T Zazulak， Timothy E Hewett， N Peter Reeves， et al. Deficits in Neuromuscular Control of the Trunk Predict Knee Injury Risk A Prospective Biomechanical-?Epidemiologic Study[J]. American Journal of Sports Medicine， 2007， 35（7）：1123.

[2]?Zhou Z， Chen X， Chung Y C， et al. Activity Analysis， Summarization， and Visualization for Indoor Human Activity Monitoring[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2008， 18（11）：1489-1498.

[3]?Ermes M， Prkka J， Mantyjarvi J， et al. Detection of daily activities and sports with wearable sensors in controlled and uncontrolled conditions[J]. IEEE Transactions on Information Technology in Biomedicine A Publication of the IEEE Engineering in Medicine & Biology Society， 2008， 12（1）：20.

[4]?Ravi N， Dandekar N， Mysore P， et al. Activity recognition from accelerometer data[J]. www.aaai.org， 2005， 3：1541-1546.

[5]?Mitchell E， Monaghan D， O'Connor N E. Classification of Sporting Activities Using Smartphone Accelerometers[J]. Sensors， 2013， 13（4）：5317-5337.

[6]?王超君. 不同振頻的振動(dòng)訓(xùn)練對(duì)不同專項(xiàng)運(yùn)動(dòng)員下肢爆發(fā)力的即時(shí)影響研究[D].天津：天津體育學(xué)院，2016.

[7]?張奕蕓. 基于虛擬儀器的力量素質(zhì)測(cè)試系統(tǒng)的研制與應(yīng)用[D].武漢：武漢體育學(xué)院，2012.

[8]?張大超.運(yùn)動(dòng)訓(xùn)練過(guò)程監(jiān)控基本理論體系的構(gòu)建[J].武漢體育學(xué)院學(xué)報(bào)，2007（12）：53-61.

（收稿日期： 2018.06.06）