CN117563201A - 一种运动设备控制方法 - Google Patents

Abstract

本发明公开了一种运动设备控制方法，属于设备控制方法领域，包括以下步骤：在智能哑铃上安装惯性传感器，并在有氧训练设备上配置肌电极传感器；惯性传感器获取运动变量，电极传感器获取四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列；获取损失函数；通过损失函数训练迭代得到单调收敛的运动疲劳生理模型；通过运动疲劳生理模型对训练者的锻炼计划进行个性化定制和规划；获得预训练模型；对于预训练模型进行微调以获得准确率更高的模型；通过微调训练完成后的模型对于不同的手势特征进行提取，从而可以实现手势控制有氧训练设备的运行过程。本发明，能够通过用户手势来快速准确的控制有氧训练设备的各项功能。

Description

一种运动设备控制方法

技术领域

本发明涉及设备控制方法领域，具体是一种运动设备控制方法。

背景技术

近年来，随着科技的发展，特别是移动互联网、物联网和人工智能技术的快速进步，健身行业也正在经历一场数字化转型。在这个转型中，健身设备不再仅仅是一种简单的力量或者有氧训练工具，而正在变成可以收集用户健康数据、提供个性化训练建议和实时反馈的智能设备。

而随着有氧训练设备的转型，人们为有氧训练设备赋予了更多的功能，例如开关、加速减速、角度调整、音乐或者视频播放，但这些功能在使用时需要用户充分解放双手自行设置，这一过程不仅影响用户的训练效果，还容易导致意外的发生，为此，如何通过手势即可快速准确的控制有氧训练设备的各项功能成为了目前急需解决的难题。

因此，本领域技术人员提供了一种运动设备控制方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种运动设备控制方法，能够通过用户手势来快速准确的控制有氧训练设备的各项功能，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种运动设备控制方法，包括以下步骤：

在智能哑铃上安装惯性传感器，并在有氧训练设备上配置肌电极传感器；

惯性传感器获取运动变量，电极传感器获取四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列；

通过运动疲劳估计模型进行估计，将疲劳的时间演变特征公式转化为损失函数；

通过损失函数训练迭代得到单调收敛的运动疲劳生理模型；

通过运动疲劳生理模型对训练者的锻炼计划进行个性化定制和规划；

将手臂不同位置肌肉电信号生成实时肌电活动图，并将实时肌电活动图先输入到多层卷积神经网络，通过特定激活函数进行手势分类后获得预训练模型；

继续采用实时肌电活动图对于预训练模型进行微调以获得准确率更高的模型；

通过微调训练完成后的模型对于不同的手势特征进行提取，从而可以实现手势控制有氧训练设备的运行过程。

作为本发明进一步的方案：所述损失函数的具体生成过程为：通过贝叶斯高斯过程结合运动变量、四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列变量对于运动疲劳估计模型进行估计，即根据对取四肢肌肉电信号空间协方差矩阵和脊柱模块激活的观察结果来估算每个时间点的疲劳程度，并在新的观察结果出现时更新估计值,运动疲劳估计模型再通过数学将疲劳的时间演变特征公式转化为损失函数。

作为本发明再进一步的方案：所述有氧训练设备的运行过程包括开关、加速减速、角度调整、音乐或者视频播放。

作为本发明再进一步的方案：所述智能哑铃可通过蓝牙与用户的手机端APP连接，且智能哑铃内部安装有第一传感器组件用以捕获用户的运动信息，用户可在手机端APP设定训练日期、哑铃重量、运动时长、哑铃运动次数的参数，参数设定好之后，手机端APP会根据用户运动的实时数据进行计时和计数，并根据预设的训练时长和训练次数进行提醒，如果用户完成预设的训练后仍继续运动，手机端APP会持续计时和计数。

作为本发明再进一步的方案：所述第一传感器组件包括压力传感器、加速度传感器、陀螺仪。

作为本发明再进一步的方案：所述有氧训练设备上还配备了第二传感器组件，用于收集上肢和下肢的运动数据，运动数据包括运动速度、运动距离、运动角度，在数据被收集后，有氧训练设备将对数据进行处理得到上肢和下肢的运动参数，并提供给有氧训练设备的中央处理器，中央处理器根据上肢和下肢的运动参数计算四肢联动的运动指数，并将计算出的四肢联动的运动指数发送到有氧训练设备自带的显示屏上显示出来。

作为本发明再进一步的方案：所述四肢联动运动指数＝α*上肢运动参数+β*下肢运动参数，其中，α与β是权重系数，可根据实际需要进行调整。

作为本发明再进一步的方案：所述第二传感器组件包括加速度传感器、距离传感器、陀螺仪。

与现有技术相比，本发明的有益效果是：

本申请不仅能够对训练者的锻炼计划进行个性化定制和规划，进一步提高用户的训练效果，还能够通过用户手势来快速准确的控制有氧训练设备的各项功能，提高用户的使用体验。

附图说明

图1为一种运动设备控制方法的流程图；

图2为一种运动设备控制方法中得到运动疲劳生理模型的流程图；

图3为一种运动设备控制方法中得到预训练模型的流程图；

图4为一种运动设备控制方法中对于预训练模型进行微调的流程图；

图5为一种运动设备控制方法中手势特征提取的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

正如本申请的背景技术中提及的，发明人经研究发现，现有有氧训练设备的功能繁多，用户在使用这些功能时需要充分解放双手自行设置，这一过程不仅影响用户的训练效果，还容易导致意外的发生，存在一定的缺陷。

为了解决上述缺陷，本申请公开了一种运动设备控制方法，能够通过用户手势来快速准确的控制有氧训练设备的各项功能。

以下将结合附图对本申请的方案如何解决上述技术问题详细介绍。

请参阅图1，本发明实施例中，一种运动设备控制方法，包括以下步骤：

在智能哑铃上安装惯性传感器，并在有氧训练设备上配置肌电极传感器；其中，惯性传感器惯性传感器是指检测和测量加速度、倾斜、冲击、振动、旋转和多自由度(DoF)运动的传感器，是解决导航、定向和运动载体控制的重要部件。惯性传感器包括加速度计(或加速度传感计)和角速度传感器(陀螺)以及它们的单、双、三轴组合IMU(惯性测量单元)，AHRS(包括磁传感器的姿态参考系统)。MEMS加速度计是利用传感质量的惯性力测量的传感器，通常由标准质量块(传感元件)和检测电路组成。IMU主要由三个MEMS加速度传感器及三个陀螺和解算电路组成。肌电极传感器是一种生物电传感器，可以检测肌肉运动时的电信号，从而了解肌肉的活动情况。它通常被用于运动控制、运动评估和康复治疗等领域。在运动控制方面，肌电极传感器可以检测肌肉的收缩和放松状态，从而控制机械臂、外骨骼等设备的运动。在运动评估方面，肌电极传感器可以用于评估运动员的肌肉疲劳程度、动作精度以及运动经验水平等，通过肌电信号来分析和改进运动技能。在康复治疗方面，肌电极传感器可以用于监测肌肉功能的恢复情况，判断康复治疗的效果，并指导患者进行科学的康复训练。

惯性传感器获取运动变量，电极传感器获取四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列；其中，运动变量是指在运动过程中可以变化的量，例如速度、加速度、角速度等。四肢肌肉电信号空间协方差矩阵和脊椎模块标准差二值化时间序列是两个与生物医学工程和神经电信号处理相关的概念。四肢肌肉电信号空间协方差矩阵：这是一种用于分析肌肉电信号空间特性的方法。通过计算多个肌肉电信号之间的协方差矩阵，可以了解不同肌肉电信号之间的相关性，从而评估肌肉活动的协同性和平衡性。这种方法通常用于运动控制、肌肉疾病诊断和康复治疗等领域。脊椎模块标准差二值化时间序列：这是一种处理脊椎信号的方法，通常用于分析和处理脊髓电信号。通过对脊髓电信号的标准差进行二值化处理，可以将信号转换为二进制形式，便于对信号进行进一步的分析和处理。这种方法通常用于神经信息处理、脑机接口和神经工程等领域。在具体应用中，四肢肌肉电信号空间协方差矩阵和脊椎模块标准差二值化时间序列可以结合使用。例如，在分析运动过程中肌肉活动的协同性和平衡性时，可以将四肢肌肉电信号空间协方差矩阵的结果与脊椎模块标准差二值化时间序列的结果进行比较和分析，以便更全面地了解运动过程中的神经肌肉活动情况。

如图2所示，通过运动疲劳估计模型进行估计，将疲劳的时间演变特征公式转化为损失函数；其中，所述损失函数的具体生成过程为：通过贝叶斯高斯过程结合运动变量、四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列变量对于运动疲劳估计模型进行估计，即根据对取四肢肌肉电信号空间协方差矩阵和脊柱模块激活的观察结果来估算每个时间点的疲劳程度，并在新的观察结果出现时更新估计值,运动疲劳估计模型再通过数学将疲劳的时间演变特征公式转化为损失函数。需要说明的是，贝叶斯高斯过程是贝叶斯优化方法的基础，贝叶斯优化是一种迭代式的调参方法，可以在多维定义域中，用较少的步骤找到(近似)最小化损失函数的参数值。高斯过程是概率论和数理统计中随机过程的一种，是一系列服从正态分布的随机变量在一指数集内的组合。高斯过程中任意随机变量的线性组合都服从正态分布，每个有限维分布都是联合正态分布，其本身在连续指数集上的概率密度函数即是所有随机变量的高斯测度。损失函数是用来评估模型预测结果与实际结果之间差距的函数，也称为成本函数或代价函数。在机器学习和深度学习中，损失函数是用来衡量模型预测结果与实际结果之间的差距，通常以误差的形式呈现。损失函数的选取取决于模型的类型和问题的特点，常见的损失函数包括均方误差(MSE)、交叉熵损失(Cross-Entropy Loss)等。

通过损失函数训练迭代得到单调收敛的运动疲劳生理模型；其中，在机器学习和深度学习中，训练迭代是模型训练的过程，即通过多次迭代更新模型参数以最小化损失函数或优化目标函数。训练迭代通常包括以下步骤：(1)初始化模型参数：在开始训练之前，需要为模型参数设定初始值。(2)定义损失函数：根据问题和模型的类型，选择合适的损失函数来衡量模型预测结果与实际结果之间的差距。(3)定义优化器：选择适合的优化算法来更新模型参数，如梯度下降法、随机梯度下降法、Adam等。(4)训练循环：在训练过程中，不断迭代更新模型参数以最小化损失函数。每一步迭代都包括以下步骤：a.计算梯度：根据损失函数和当前模型参数计算损失函数对每个参数的梯度。b.更新参数：根据优化算法和当前梯度更新每个模型参数的值。(5)迭代次数：在训练过程中，通常会设定一个最大迭代次数或早停条件来终止训练。(6)验证和测试：在训练完成后，使用验证集和测试集评估模型的性能，进一步调整模型参数或优化算法。(7)模型评估与调优：根据验证和测试结果，评估模型的性能并进行调优，以提高模型的泛化能力和预测精度。总之，训练迭代是机器学习和深度学习中至关重要的步骤之一，通过多次迭代更新模型参数以最小化损失函数或优化目标函数，从而得到更好的模型性能。

通过运动疲劳生理模型对训练者的锻炼计划进行个性化定制和规划；该设置能够有效为用户提供个性化训练建议，从而进一步提高用户的训练效果。

如图3所示，将手臂不同位置肌肉电信号生成实时肌电活动图，并将实时肌电活动图先输入到多层卷积神经网络，通过特定激活函数进行手势分类后获得预训练模型；其中，多层卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)，因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。特定激活函数包括：1)、sigmoid函数：输出映射在(0，1)内，单调连续，非常适合用作输出层，并且求导比较容易。2)、tanh函数：输出映射在(-1，1)内，与sigmoid函数类似，适合用作输出层。3)、ReLU函数：最常用的默认函数，适合用在多层神经网络中。4)、Leaky ReLU函数：与ReLU函数类似，但有一个小的负斜率，可以处理神经元“死亡”的问题。

如图4所示，继续采用实时肌电活动图对于预训练模型进行微调以获得准确率更高的模型；

如图5所示，通过微调训练完成后的模型对于不同的手势特征进行提取，从而可以实现手势控制有氧训练设备的运行过程。所述有氧训练设备的运行过程包括开关、加速减速、角度调整、音乐或者视频播放。

本申请不仅能够对训练者的锻炼计划进行个性化定制和规划，进一步提高用户的训练效果，还能够通过用户手势来快速准确的控制有氧训练设备的各项功能，提高用户的使用体验。

在本实施例中：所述智能哑铃可通过蓝牙与用户的手机端APP连接，且智能哑铃内部安装有第一传感器组件用以捕获用户的运动信息，用户可在手机端APP设定训练日期、哑铃重量、运动时长、哑铃运动次数的参数，参数设定好之后，手机端APP会根据用户运动的实时数据进行计时和计数，并根据预设的训练时长和训练次数进行提醒，如果用户完成预设的训练后仍继续运动，手机端APP会持续计时和计数。用户训练完成后，训练数据会被记录在手机端APP的趋势图中。如果一天内进行了多次训练，每次的训练时长和训练次数会被累计记录。所述第一传感器组件包括压力传感器、加速度传感器、陀螺仪。该设置能够有效为用户提供关于训练效果和动作准确性的反馈。

在本实施例中：所述有氧训练设备上还配备了第二传感器组件，用于收集上肢和下肢的运动数据，运动数据包括运动速度、运动距离、运动角度，在数据被收集后，有氧训练设备将对数据进行处理得到上肢和下肢的运动参数，并提供给有氧训练设备的中央处理器，中央处理器根据上肢和下肢的运动参数计算四肢联动的运动指数，并将计算出的四肢联动的运动指数发送到有氧训练设备自带的显示屏上显示出来。所述四肢联动运动指数＝α*上肢运动参数+β*下肢运动参数，其中，α与β是权重系数，可根据实际需要进行调整。所述第二传感器组件包括加速度传感器、距离传感器、陀螺仪。传统的有氧设备，如跑步机或椭圆机，主要关注下肢的运动，对于上肢的运动分析相对较少。然而，四肢联动的运动方式更符合人的自然运动习惯，可以提供更全面的运动效果。本申请能够同时考虑上肢和下肢的运动数据，提供更准确和全面的运动分析结果。而四肢联动算法可以灵活调整，能够根据用户的个人需求和身体状况进行个性化设置，提高运动效率和满意度，并且可以应用于各种有氧设备，适用性较广。

本发明不仅能够对训练者的锻炼计划进行个性化定制和规划，进一步提高用户的训练效果，还能够通过用户手势来快速准确的控制有氧训练设备的各项功能，提高用户的使用体验。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种运动设备控制方法，其特征在于，包括以下步骤：

在智能哑铃上安装惯性传感器，并在有氧训练设备上配置肌电极传感器；

惯性传感器获取运动变量，电极传感器获取四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列；

通过运动疲劳估计模型进行估计，将疲劳的时间演变特征公式转化为损失函数；

通过损失函数训练迭代得到单调收敛的运动疲劳生理模型；

通过运动疲劳生理模型对训练者的锻炼计划进行个性化定制和规划；

将手臂不同位置肌肉电信号生成实时肌电活动图，并将实时肌电活动图先输入到多层卷积神经网络，通过特定激活函数进行手势分类后获得预训练模型；

继续采用实时肌电活动图对于预训练模型进行微调以获得准确率更高的模型；

通过微调训练完成后的模型对于不同的手势特征进行提取，从而可以实现手势控制有氧训练设备的运行过程。

2.根据权利要求1所述的一种运动设备控制方法，其特征在于，所述损失函数的具体生成过程为：通过贝叶斯高斯过程结合运动变量、四肢肌肉电信号空间协方差矩阵以及脊椎模块标准差二值化时间序列变量对于运动疲劳估计模型进行估计，即根据对取四肢肌肉电信号空间协方差矩阵和脊柱模块激活的观察结果来估算每个时间点的疲劳程度，并在新的观察结果出现时更新估计值,运动疲劳估计模型再通过数学将疲劳的时间演变特征公式转化为损失函数。

3.根据权利要求1或2所述的一种运动设备控制方法，其特征在于，所述有氧训练设备的运行过程包括开关、加速减速、角度调整、音乐或者视频播放。

4.根据权利要求1所述的一种运动设备控制方法，其特征在于，所述智能哑铃可通过蓝牙与用户的手机端APP连接，且智能哑铃内部安装有第一传感器组件用以捕获用户的运动信息，用户可在手机端APP设定训练日期、哑铃重量、运动时长、哑铃运动次数的参数，参数设定好之后，手机端APP会根据用户运动的实时数据进行计时和计数，并根据预设的训练时长和训练次数进行提醒，如果用户完成预设的训练后仍继续运动，手机端APP会持续计时和计数。

5.根据权利要求4所述的一种运动设备控制方法，其特征在于，所述第一传感器组件包括压力传感器、加速度传感器、陀螺仪。

6.根据权利要求1所述的一种运动设备控制方法，其特征在于，所述有氧训练设备上还配备了第二传感器组件，用于收集上肢和下肢的运动数据，运动数据包括运动速度、运动距离、运动角度，在数据被收集后，有氧训练设备将对数据进行处理得到上肢和下肢的运动参数，并提供给有氧训练设备的中央处理器，中央处理器根据上肢和下肢的运动参数计算四肢联动的运动指数，并将计算出的四肢联动的运动指数发送到有氧训练设备自带的显示屏上显示出来。

7.根据权利要求6所述的一种运动设备控制方法，其特征在于，所述四肢联动运动指数＝α*上肢运动参数+β*下肢运动参数，其中，α与β是权重系数，可根据实际需要进行调整。

8.根据权利要求6所述的一种运动设备控制方法，其特征在于，所述第二传感器组件包括加速度传感器、距离传感器、陀螺仪。