TWI770787B

TWI770787B - 手持運動分析系統與方法

Info

Publication number: TWI770787B
Application number: TW110102787A
Authority: TW
Inventors: 王振興; 許煜亮; 江維鈞; 張嘉茜
Original assignee: 國立成功大學
Priority date: 2021-01-26
Filing date: 2021-01-26
Publication date: 2022-07-11
Also published as: TW202228596A

Abstract

本發明公開一種手持運動分析系統與方法。該系統包括一訊號感測模組、一伺服器以及一顯示模組。訊號感測模組設置於手持球具，並感測手持球具的擊球動作且輸出一感測訊號。伺服器與訊號感測模組耦接，伺服器包括一或多個處理單元及一記憶單元，一或多個處理單元與記憶單元耦接，記憶單元儲存一或多個程式指令，當該一或多個程式指令被該一或多個處理單元執行時，一或多個處理單元進行：一姿態估測步驟、一擊球軌跡重建步驟、一擊球分期偵測步驟、一擊球球種辨識步驟及一擊球動作一致性評估步驟。顯示模組與伺服器耦接，顯示模組呈現分析結果。

Description

手持運動分析系統與方法

本發明關於一種分析系統與方法，特別關於一種手持運動分析系統及分析方法。

球類運動，例如羽毛球、桌球、或網球等，由於入門門檻低，場地取得也相對容易，相當受到一般人的喜愛。但是，要成為代表國家出賽的國手或成為職業運動員則相當不容易，除了需付出相當的努力之外，可能也需要擊球動作分析系統的輔助。

傳統用於研究擊球運動的動作分析系統中，研究者為了擷取擊球動作的過程，必須架設高速攝影機，並將攝影機取得的影像傳送到電腦，另外再接一傳輸線連接一保持在預期觸發狀態的運動感應器(sensor)，以記錄擊球過程之資訊並將其傳送至電腦設備中。

然而，習知的動作分析系統必須考慮攝影機的架設角度以利拍攝，在實驗測試前必須將標誌點固定於受試者的關節上以利在進行身體角度分析時能有明確的點選目標；在拍攝影像後必須拍攝一段比例尺（例如長一米）畫面以利資料的轉換；且使用紅外線發射器及接收器的設計而形成一非常複雜笨重的分析系統，不但使用上麻煩不便、只能用於特定場所使用，而且價格昂貴，在實驗拍攝的過程、資料的處理和分析等程序中會因人為因素而產生極大的誤差。

因此，如何提供一種手持運動分析系統及分析方法，除了具有方便、專業且實用經濟的優點外，還可即時且客觀地提供相關的擊球指標，已是相當重要的課題之一。

有鑑於上述課題，本發明的目的為提供一種手持運動分析系統與方法，相較於習知的擊球動作分析系統來說，本發明除了具有方便、專業且實用經濟的優點外，還可即時且客觀地提供相關的擊球指標給運動員或/及教練參考，進而改進運動員的擊球動作。

為達上述目的，依據本發明之一種手持運動分析系統，包括一訊號感測模組、一伺服器以及一顯示模組。訊號感測模組設置於手持球具，訊號感測模組感測手持球具的擊球動作並輸出一感測訊號；伺服器與訊號感測模組耦接，伺服器包括一或多個處理單元及一記憶單元，該一或多個處理單元與記憶單元耦接，記憶單元儲存一或多個程式指令，當該一或多個程式指令被該一或多個處理單元執行時，該一或多個處理單元進行：一姿態估測步驟，係依據感測訊號執行擊球動作的手持球具姿態估測；一擊球軌跡重建步驟，係依據感測訊號和姿態估測步驟的結果執行擊球軌跡訊號的重建；一擊球分期偵測步驟，係依據感測訊號和姿態估測步驟的結果區分擊球過程的不同時期；一擊球球種辨識步驟，係依據感測訊號將擊球的球種類型進行分類；及一擊球動作一致性評估步驟，係依據感測訊號計算和評估擊球動作與樣板動作之間的一致性。顯示模組與伺服器耦接，顯示模組呈現分析結果。

為達上述目的，依據本發明之一種手持運動的分析方法，應用於一手持運動分析系統，手持運動分析系統包括一訊號感測模組，訊號感測模組設置於一手持球具，並感測手持球具的擊球動作且輸出一感測訊號，該分析方法包括：一姿態估測步驟：依據感測訊號執行擊球動作的手持球具姿態估測；一擊球軌跡重建步驟：依據感測訊號和姿態估測步驟的結果執行擊球軌跡訊號的重建；一擊球分期偵測步驟：依據感測訊號和姿態估測步驟的結果區分擊球過程的不同時期；一擊球球種辨識步驟：依據感測訊號將擊球的球種類型進行分類；以及一擊球動作一致性評估步驟：依據感測訊號計算和評估擊球動作與樣板動作之間的一致性。

在一實施例中，訊號感測模組包括三軸加速度計、三軸陀螺儀及三軸磁力計。

在一實施例中，在進行姿態估測步驟之前，該一或多個處理單元更進行：一訊號前處理步驟，係校正訊號感測模組輸出的感測訊號，並濾除感測訊號中的雜訊。

在一實施例中，姿態估測步驟透過一擴展式卡爾曼濾波器演算法利用感測訊號進行擊球動作的手持球具姿態估測，進而獲得準確的手持球具速度及手持球具軌跡；其中，擴展式卡爾曼濾波器演算法包括一狀態預測步驟、一重力狀態更新步驟、及一磁北狀態更新步驟。

在一實施例中，在狀態預測步驟中，係利用感測訊號中的角速度訊號進行擴展式卡爾曼濾波器的狀態預測；其中，在重力狀態更新步驟和磁北狀態更新步驟中，係利用感測訊號中的加速度訊號與磁力訊號進行擴展式卡爾曼濾波器的狀態更新，以得到最佳手持球具姿態估測狀態。

在一實施例中，擊球軌跡重建步驟係透過一軌跡重建演算法取得執行擊球動作時所產生的手持球具姿態、手持球具速度及手持球具軌跡訊號；其中，軌跡重建演算法包括一動作訊號分割步驟、一座標轉換與重力補償步驟、一速度估測與零速度補償步驟、及一軌跡重建步驟。

在一實施例中，擊球分期偵測步驟係透過一擊球動作分期演算法取得擊球過程中的每一時期訊號；其中，擊球動作分期演算法包括一動作訊號分割步驟、一座標轉換與重力補償步驟、一動作訊號極點偵測步驟、及一動作訊號分期偵測步驟；其中，動作訊號極點偵測步驟找出擊球動作的預備期起始點、加速期起始點、擊球點及餘勢期結束點。

在一實施例中，在擊球分期偵測步驟中，擊球過程的不同時期包括一初始靜止期、一預備期、一加速期、一餘勢期、及一結束靜止期。

在一實施例中，擊球球種辨識步驟係透過一擊球球種辨識演算法取得擊球球種類型；其中，擊球球種辨識演算法包括一動作訊號分割步驟、一訊號正規化步驟、一卷積神經網路分類步驟、及一球種辨識步驟。

在一實施例中，經由擊球球種辨識步驟分類出的球種類型，包括正手發後場球、反手發前場球、正手挑後場高遠球、反手挑後場高遠球、正手推挑後場球、反手推挑後場球、前場正手短球、前場反手短球、中場正手平抽球、中場反手平抽球、中場正手接殺擋網前球、中場反手接殺擋網前球、後場正手切球、後場正手高遠球、後場正手殺球、及中場正手突襲球。

在一實施例中，擊球動作一致性評估步驟係透過一一致性估測演算法對擊球動作進行一致性比對；其中，一致性估測演算法包括一動作訊號分割步驟、一樣板挑選步驟、一面積邊界動態時間扭曲估測步驟、及一一致性評估步驟；其中，樣板挑選步驟包括一樣板訊號的取得，樣板訊號係一使用者利用手持球具進行擊球動作所產生的感測訊號經由邊界面積計算所重新取樣後的訊號。

承上所述，在本發明的手持運動分析系統與方法中，包括：姿態估測步驟，其依據感測訊號執行擊球動作的手持球具運動姿態估測；擊球軌跡重建步驟，其依據感測訊號和姿態估測步驟的結果執行擊球軌跡訊號的重建；擊球分期偵測步驟，其依據感測訊號和姿態估測步驟的結果區分擊球過程的不同時期；擊球球種辨識步驟，其依據感測訊號將擊球的球種類型進行分類；以及擊球動作一致性評估步驟，其依據感測訊號計算和評估擊球動作與樣板動作之間的一致性。藉此，相較於習知的擊球動作分析系統來說，本發明的手持運動分析系統與分析方法除了具有方便、專業且實用經濟的優點外，還可即時且客觀地提供相關的擊球指標給運動員或/及教練參考，進而改進運動員的擊球動作。

以下將參照相關圖式，說明依本發明實施例之手持運動分析系統與分析方法，其中相同的元件將以相同的參照符號加以說明。

圖1A為本發明一實施例之一種手持運動分析系統的功能方塊示意圖，圖1B為圖1A的手持運動分析系統的伺服器的功能方塊圖，而圖2為本發明之手持運動分析方法的一流程步驟示意圖。

手持運動分析系統1可應用於分析一手持球具的擊球動作。在此，手持運動可例如但不限於羽毛球、網球、桌球、棒球、或高爾夫球等、或其他利用手持球具擊球的運動，因此，上述的手持球具可為羽毛球拍、網球拍、桌球拍、球棒、或高爾夫球桿、或其他擊球的球具。以下實施例的手持球具是以羽毛球拍為例。因此，本文出現的“擊球”動作就是“揮羽毛球拍”的動作，或稱“揮拍”動作。當然，如果應用在高爾夫球運動時，擊球動作就是揮擊高爾夫球桿的動作，以此類推。另外，本文中的“運動員”指的是，在教練的指導下進行擊球訓練的人員。

請參照圖1A及圖1B所示，本實施例的手持運動分析系統1包括一訊號感測模組11、一伺服器12以及一顯示模組13。

訊號感測模組11設置於手持球具中。訊號感測模組11可感測運動員拿著手持球具（如羽手球拍）的擊球動作（如揮拍動作）並輸出一感測訊號SS。其中，訊號感測模組11例如但不限於設置於手持球具的握柄內。以羽毛球拍為例，訊號感測模組11例如可設置於羽毛球拍的握柄內，或握柄的後套內，然並不以此為限，在不同的實施例中，訊號感測模組11也可裝設於手持球具的其他部位，例如握柄的其他位置或中管內。

以下實施例是將訊號感測模組11設置於勝利體育事業股份有限公司提供的羽毛球拍的握柄內為例。因此，當運動員拿著該羽毛球拍進行揮拍動作時，訊號感測模組11可感測運動員的擊球（揮拍）動作並輸出感測訊號SS。關於勝利公司提供的羽毛球拍的具體結構可參照中華民國發明專利證書號：TW I673088，在此不再多作說明。

本實施例的訊號感測模組11包括慣性感測器，例如包括三軸加速度計、三軸陀螺儀及三軸磁力計，藉此得到更為精準的擊球（揮拍）動作。因此，感測訊號SS為慣性感測訊號，其可包括揮拍動作過程的加速度訊號、角速度訊號及磁力訊號。在一些實施例中，可使用包含加速度計及陀螺儀的例如六軸感測器（如ICM-20649）及三軸磁力計（如LIS2MDL）做為九軸的慣性感測器。其中，加速度計用以感測地球重力及運動動作所產生的運動加速度；陀螺儀用以感測運動動作所產生的角速度；而磁力計用以感測地球磁場向量，經由運算後可獲得方位角資訊。

在一些實施例中，訊號感測模組11還可包括微控制單元和電源供應單元。電源供應單元可例如為鋰電池，其可提供訊號感測模組11所需電力；而微控制單元可擷取並收集慣性感測器（速度計、陀螺儀及磁力計）因擊球動作所產生的感測訊號SS且進行處理（例如暫存及編碼），經處理過後的感測訊號SS可透過例如批次的方式利用例如Wi-Fi模組或藍牙(bluetooth)模組無線傳輸至伺服器12，以進行擊球動作的分析。

伺服器12與訊號感測模組11耦接。在一些實施例中，伺服器12與訊號感測模組11的耦接可為無線方式耦接，例如透過Wi-Fi模組或藍牙模組無線耦接，藉此接收、儲存及處理訊號感測模組11輸出的感測訊號SS。伺服器12可為本地伺服器(local server)、遠端伺服器(remote server)、或雲端伺服器(cloud server)。本實施例的伺服器12是以雲端伺服器為例。

伺服器12可包括一或多個處理單元121及一記憶單元122，一或多個處理單元121與記憶單元122耦接。圖1B是以一個處理單元121與一個記憶單元122為例。處理單元121可存取記憶單元122所儲存的資料，並可包含伺服器12的核心控制組件，例如可包含至少一中央處理器(CPU)及一記憶體，或包含其它控制硬體、軟體或韌體。另外，記憶單元122可為一非暫態電腦可讀取記錄媒體(non-transitory computer readable storage medium)，例如可包含至少一記憶體、一記憶卡、一光碟片、一錄影帶、一電腦磁帶，或其任意組合。在一些實施例中，前述的記憶體可包含唯讀記憶體(ROM)、快閃(Flash)記憶體、可程式化邏輯閘陣列(Field-Programmable Gate Array, FPGA)、或固態硬碟(Solid State Disk, SSD)、或其他形式的記憶體，或其組合。

由於本實施例的伺服器12是以雲端伺服器為例，因此，記憶單元122為一雲端記憶體，而處理單元121則為雲端處理器。當感測訊號SS傳送至伺服器12時（伺服器12具有對應的無線傳輸模組），可儲存於記憶單元122，以供處理單元121處理及分析。另外，記憶單元122還可儲存至少一應用軟體，該應用軟體可包含一或多個程式指令1221，當該應用軟體的該一或多個程式指令1221被該一或多個處理單元121執行時，如圖2所示，該一或多個處理單元121可至少進行以下步驟：一姿態估測步驟S2、一擊球軌跡重建步驟S3、一擊球分期偵測步驟S4、一擊球球種辨識步驟S5、以及一擊球動作一致性評估步驟S6。另外，除了步驟S2至步驟S6之外，在取得感測訊號SS後，本實施例的處理單元121還可進行一訊號前處理步驟S1。以下，請參照圖3以說明上述步驟S1至步驟S6的詳細技術內容。

圖3為本發明之手持運動分析方法的另一流程步驟示意圖。在此，圖3除了顯示圖2的步驟S1至步驟S6內部的詳細流程步驟（或稱子步驟）外，還顯示一結果呈現步驟S7。先說明的是，本文中提到的步驟S1至步驟S7及其內部的功能方塊（步驟）可以軟體程式方式實現其功能，或者，也可應用硬體或韌體的方式實現其功能，本發明不限制。

如圖3所示，在進行姿態估測步驟S2之前，為了使後續的分析過程及其產生的結果更為準確，需先進行訊號前處理步驟S1。

訊號前處理步驟 S1 ：係校正訊號感測模組11輸出的感測訊號SS，並濾除感測訊號SS中的雜訊。其中，訊號前處理步驟S1可包括一訊號校正步驟S11及一訊號濾波步驟S12。訊號校正步驟S11可校正感測訊號SS，而訊號濾波步驟S12可濾除感測訊號SS中的雜訊。以下詳細介紹步驟S11及步驟S12的技術內容。

訊號校正步驟S11：由於慣性感測器本身特性及其他外界環境因素所影響，往往會造成加速度計、陀螺儀及磁力計所量測到的感測訊號SS會產生量測誤差或訊號漂移，在一些實施例中，可以使用比例因子(scale factor, SF)及偏移量(bias, B)來校正慣性感測器。其校正過程可如下；依次將加速度計及陀螺儀擺放於水平放置的旋轉運動平台上14個不同方位，並藉由加速度計在靜止擺放狀況下其三個軸向（X軸、Y軸、Z軸）感測值合力為重力加速度讀值(1g)，以及在使用旋轉運動平台定速旋轉下陀螺儀之三軸感測值合力值為等角速度讀值(𝜔)的物理現象，來加以獲得三軸慣性感測器之比例因子(𝑆F _𝑥、𝑆F _𝑦、𝑆F _𝑧)及偏差值(𝐵 _𝑥、𝐵 _𝑦、𝐵 _𝑧)。而在校正磁力計時，可以在一個沒有強力磁場干擾環境下，將磁力計在一固定時間下進行三維空間均勻旋轉，使磁力感測值可涵蓋到三維空間中的各個方位，並將其感測磁場合力等比正規化為1高斯(Gauss)的固定常數。最後，透過最小平方誤差法求解出各感測器之校正矩陣(𝐐)後，即可透過以下式(1)來加以校正慣性感測器。

(1)

其中，𝐒 _𝑖為未校正過的加速度計、陀螺儀或磁力計的感測值，而𝐒 _𝑐為校正後的加速度計、陀螺儀或磁力計的感測值。

訊號濾波步驟S12：當運動員使用例如羽毛球拍進行擊球運動時，其所量測到的感測訊號SS包含了運動動作訊號、高頻雜訊及動作雜訊（例如身體不自主的顫抖），因此，為了能準確地量測到運動員運動時所產生的感測訊號SS，經上述步驟S11校正過後的慣性感測訊號仍需要經由低通濾波器來降低高頻雜訊及動作雜訊，使得到的感測訊號SS可實際反應出擊球動作的真正訊號。以下，經由訊號前處理步驟S1的校正與濾波處理後的慣性感測訊號仍標示為感測訊號SS。

姿態估測步驟 S2 ：係依據感測訊號SS執行擊球動作的手持球具姿態估測。其中，姿態估測步驟S2係透過一擴展式卡爾曼濾波器演算法利用感測訊號SS進行擊球動作的手持球具姿態估測，進而獲得準確的手持球具速度及手持球具軌跡。在此，擴展式卡爾曼濾波器演算法可包括一狀態預測步驟S21、一重力狀態更新步驟S22、及一磁北狀態更新步驟S23。在狀態預測步驟S21中，係利用感測訊號SS中的角速度訊號進行擴展式卡爾曼濾波器的狀態預測；而在重力狀態更新步驟S22和磁北狀態更新步驟S23中，係利用感測訊號SS中的加速度訊號與磁力訊號進行擴展式卡爾曼濾波器的狀態更新，以得到最佳手持球具姿態估測狀態。以下詳細介紹步驟S21至步驟S23的技術內容。

狀態預測步驟S21：可以四元數表示之姿態定義為狀態轉移方程式之狀態變數(

），利用陀螺儀現在時間點(𝑡)所感測之角速度(𝛚 _𝑡)及上一個時間點(𝑡–1)更新後之姿態角(

)建立一狀態轉移方程式，如式(2)所示。

(2)

其中，

為現在時間點預測之狀態，

為現在時間點的狀態轉移矩陣，

為上一個時間點之狀態雜訊係數矩陣，

為現在時間點的角速度白雜訊，

是一個

之單位矩陣，

為現在時間點陀螺儀所感測之角速度，而

，

是取樣週期。接著，便可預測現在時間點之狀態誤差共變異數矩陣(

)如下：

(3)

其中，

為上一個時間點更新後之狀態誤差共變異數矩陣，

為角速度雜訊共變異數矩陣。

重力狀態更新步驟S22及磁北狀態更新步驟S23：由於角速度進行狀態預測所產生之誤差，將會隨時間增加而累積，因此，必須透過觀測量(

)對預測後的狀態進行更新，在此，將觀測量定義為加速度與磁力值。另外，再建立一重力或磁北觀測方程式對角速度所預測之姿態

)進行狀態更新，如式(4)所示。

(4)

其中，

為現在時間點之重力觀測矩陣或磁北觀測矩陣，

為現在時間點所預測之狀態變數，

為現在時間點的加速度或磁力值之白雜訊，

為現在時間點的預測觀測量。接著，獲得重力或磁北觀測方程式之後，便可計算現在時間點的重力或磁北更新卡爾曼增益

，如式(5)所示。最後，即可利用重力或磁北更新卡爾曼增益對所預測之狀態及其狀態誤差共變異數矩陣進行狀態更新，如式(6)及式(7)所示。

(5)

(6)

(7)

其中，

為觀測量雜訊共變異數矩陣，當觀測量為加速度時，

為加速度雜訊共變異數矩陣(

)；而若觀測量為磁力值時，

即為磁力雜訊共變異數矩陣(

)，

為現在時間點的重力或磁北實際觀測量。

擊球軌跡重建步驟 S3 ：係依據感測訊號SS和姿態估測步驟S2的結果執行擊球軌跡訊號的重建。其中，擊球軌跡重建步驟S3係透過一軌跡重建演算法取得執行擊球動作時所產生的手持球具姿態、手持球具速度及手持球具軌跡訊號。在此，軌跡重建演算法可包括一動作訊號分割步驟S31、一座標轉換與重力補償步驟S32、一速度估測與零速度補償步驟S33、及一軌跡重建步驟S34。提醒的是，廣義來說，軌跡重建演算法也可包括上述的狀態預測步驟S21、重力狀態更新步驟S22、及磁北狀態更新步驟S23。以下詳細介紹步驟S31至步驟S34的技術內容。

動作訊號分割步驟S31：由於揮拍動作進行時，在揮拍動作開始前及結束後均會存在一段動作靜態區間，此時，因為訊號感測模組11處於靜止，所以加速度計及陀螺儀的三軸合力值皆為0，因此，可以透過設定一動態門檻值來加以偵測揮拍動作區間，例如依據前200個取樣點之感測訊號，計算其標準分數(z-score)，並以標準分數作為動態門檻值。

座標轉換與重力補償步驟S32：藉由姿態估測步驟S2可獲得運動員在運動期間的動態手持球具姿態後，即可獲得感測器座標系( s)與參考座標系( r)之間的座標轉換矩陣(

)，如式(8)所示，並將感測器座標系( s)上濾波過後的加速度訊號(

)轉換成參考座標系( r)上的加速度訊號(

)，如式(9)所示。此外，由於加速度計所量測的加速度值會同時包含了運動所產生的運動加速度及重力加速度，因此，需將重力加速度(

)移除，進而得到真實的運動加速度(

)。

(8)

. (9)

速度估測與零速度補償步驟S33：當獲得運動加速度後，即可將運動加速度進行積分以估測其速度訊號，如式(10)所示。由於加速度訊號容易受到人體無意識顫抖之干擾而產生雜訊，而在進行速度估測之積分運算時，其加速度訊號之雜訊因積分運算而被放大，導致速度訊號的失真，故透過式(11)進行零速度更新，以補償失真的速度訊號。

(10)

(11)

其中，

為現在時間點之速度訊號；

為上個時間之速度訊號；

為經過零速度更新之速度訊號；

為訊號起始點之速度值；

為訊號結束點之速度值；

為時間間距；

為取樣週期。

軌跡重建步驟S34：將零速度補償後之速度訊號進行積分運算，即可重建運動員進行揮拍或移動動作時之軌跡，如式(12)所示。

(12)

其中，

為現在時間點之運動軌跡；

為上個時間之運動軌跡；

為取樣週期。

擊球分期偵測步驟 S4 ：係依據感測訊號SS和姿態估測步驟S2的結果區分擊球過程的不同時期。其中，擊球分期偵測步驟S4係透過一擊球動作分期演算法取得擊球過程中的每一時期訊號。在此，擊球動作分期演算法可包括一動作訊號分割步驟S41、一座標轉換與重力補償步驟S42、一動作訊號極點偵測步驟S43、及一動作訊號分期偵測步驟S44。以下詳細介紹步驟S41至步驟S44的技術內容。

動作訊號分割步驟S41及座標轉換與重力補償步驟S42與上述軌跡重建演算法中的動作訊號分割步驟S31及座標轉換與重力補償步驟S32相同（亦即動作訊號分割步驟S31及座標轉換與重力補償步驟S32的結果可以應用於擊球分期偵測步驟S4中），在此不再多作說明。

動作訊號極點偵測步驟S43：可透過本步驟找出擊球動作的預備期起始點(start point)、加速期起始點(start point of acceleration)、擊球點(impact)及餘勢期結束點(end point)。在此，預備期起始點可定義為：將動作動態區間起始點定義為預備期起始點，並藉此區分初始靜止期與預備期。擊球點可定義為：在整個羽球揮拍過程中，球拍與球接觸的瞬間通常發生在球拍角速度最大值的瞬間，因此，可以透過此特性將整個羽球揮拍訊號中角速度合力訊號產生最大值時的時間點定義為擊球點，並藉此區分加速期及餘勢期。加速期起始點可定義為：當找到擊球時間點後，利用該時間點上的角速度值往回尋找第一個角速度訊號之波谷極點，即為加速期起始點，並藉此區分預備期與加速期。餘勢期結束點可定義為：將動作動態區間終止點定義為餘勢期結束點，並藉此區分餘勢期與結束靜止期。如圖4所示，其為擊球動作的訊號分期偵測示意圖。在此，圖4顯示感測訊號中的加速度和角速度訊號的分期。

動作訊號分期偵測步驟S44：在完成動作訊號極點偵測步驟S43後，即可將擊球過程的不同時期定義出以下五個分期：1)在預備期起始點之前的時間區間可定義為初始靜止期(initial rest)；2)在預備期起始點與加速期起始點之間的時間區間可定義為預備期(preparation)；3)在加速期起始點與擊球點之間的時間區間可定義為加速期(acceleration)；4)在擊球點與餘勢期結束點之間的時間區間可定義為餘勢期(follow through)；5)在餘勢期結束點之後的時間區間可定義為結束靜止期(ending rest)。

擊球球種辨識步驟 S5 ：係依據感測訊號SS將擊球的球種類型進行分類。其中，擊球球種辨識步驟S5係透過一擊球球種辨識演算法取得擊球球種類型。在此，擊球球種辨識演算法可包括一動作訊號分割步驟S51、一訊號正規化步驟S52、一卷積神經網路分類步驟S53、及一球種辨識步驟S54。以下詳細介紹步驟S51至步驟S54的技術內容。

動作訊號分割步驟S51與上述軌跡重建演算法的動作訊號分割步驟S31相同（亦即動作訊號分割步驟S31的結果可以應用於擊球球種辨識步驟S5中），在此不再多作說明。

訊號正規化步驟S52：將慣性感測訊號經過上述訊號校正步驟S11、訊號濾波步驟S12及動作訊號分割步驟S51後，即可進行訊號正規化步驟S52，以正規化感測訊號SS。

卷積神經網路分類步驟S53及球種辨識步驟S54：經訊號正規化步驟S52之後的感測訊號SS中，每個擊球揮拍動作訊號中的三軸角速度訊號可作為卷積神經網路(Convolution Neural Network, CNN)分類器的輸入，進而分類出正手發後場球、反手發前場球、正手挑後場高遠球、反手挑後場高遠球、正手推挑後場球、反手推挑後場球、前場正手短球、前場反手短球、中場正手平抽球、中場反手平抽球、中場正手接殺擋網前球、中場反手接殺擋網前球、後場正手切球、後場正手高遠球、後場正手殺球、及中場正手突襲球等十六種擊球球種類型。在此，卷積神經網路分類器的架構可包含兩卷積層、兩池化層、一全連接層與一輸出層，詳述如下：

卷積層：每個卷積層中含有多個卷積核，透過設定之卷積核大小並利用卷積原理進行視窗之逐步滑動並加權計算每個區域內數值，再經由活化函數計算獲得卷積層之輸出，藉此提取輸入訊號中重要的資訊。其中，在每層卷積層皆設置了128個大小為1×5的卷積核(convolutional kernel/filter)來進行圖像特徵的擷取。

其中，

為三軸角速度訊號所組成之輸入向量；

為每個步伐視窗中的資料點索引；

為每個步伐視窗中的資料點數；

為層的索引；

為卷積核大小(kernel/filter size)；

為第

層的第

個特徵映射(feature map)之偏權值；

為輸入

與第

層第

個特徵映射之連結權重；

為線性整流活化函數。

池化層：其主要是將卷積層輸出作為其輸入並進行下採樣，在此採用最大池化(max pooling)運算，藉此降低特徵映射維度（網路訓練參數），而僅保留輸入圖像中的重要特徵。池化大小為1×2，跨度為2。其中，

為池化大小；

為池化的跨度

全連接層：將經過多層卷積層與池化層運算後所得之特徵攤平成一特徵向量

作為該層的輸入，其中

為最後一層池化層的神經元個數，並進行以下運算：

)

其中，

為全連結層中第

層的第

個神經元與第

層的第

個神經元連結權重值；

為全連結層中第

層的第

個神經元的偏權值；

為線性整流活化函數。最後，

即為經過卷積神經網路運算所得之深度特徵。

輸出層：通常是以分類器進行，在此使用的是Softmax分類器，Softmax分類器為以log-sigmoid函數為基礎，X軸範圍為正無窮大至負無窮大，Y軸範圍為0至1，透過將全連接層之輸出映射至[0,1]區間內，將所得值轉換成相對應的機率，並取最大值為分類結果。

擊球動作一致性評估步驟 S6 ：係依據感測訊號SS計算和評估擊球動作與樣板動作之間的一致性。其中，擊球動作一致性評估步驟S6係透過一一致性估測演算法對擊球動作進行一致性比對。在此，一致性估測演算法包括一動作訊號分割步驟S61、一樣板挑選步驟S62、一面積邊界動態時間扭曲估測步驟S63、及一一致性評估步驟S64。前述的樣板挑選步驟S62包括一樣板訊號的取得，該樣板訊號係一使用者利用手持球具進行擊球動作所產生的感測訊號SS經由邊界面積計算所重新取樣後的動作訊號。以下詳細介紹步驟S61至步驟S64的技術內容。

動作訊號分割步驟S61與上述軌跡重建演算法的動作訊號分割步驟S31相同（亦即動作訊號分割步驟S31的結果可以應用於擊球動作一致性評估步驟S6中），在此不再多作說明。

樣板挑選步驟S62：將該使用者與運動員相同的擊球動作所產生的角速度訊號經由以下介紹的邊界面積計算所重新取樣後的動作訊號視為樣板訊號(

)，以供後續的比對。在此，該使用者可為具有較佳球技的人員，例如但不限於教練、或職業運動員。

面積邊界動態時間扭曲估測步驟S63：包括正負波峰偵測、過零點偵測、邊界面積計算及一致性分數計算等。其中，正負波峰偵測為：設定一門檻值來加以偵測經由動作訊號分割處理後的動作時序訊號 (

)中找出區域最大值及最小值，即為正負波峰。過零點偵測為：偵測動作訊號通過零值之取樣點(zero-crossing points, ZC points)，藉此獲得過零點之取樣訊號(

)。另外，邊界面積計算為：依據過零點的數量(

)，將原始長度為

的動作時序訊號分割為(

)個片段，並針對每一個片段進行訊號積分計算出每個片段的面積，如下所示；則積分後的面積即可代表重新取樣後的時間序列(

)。

此外，一致性分數計算為：將運動員執行運動訓練動作時所產生的角速度訊號經由邊界面積計算後視為運動動作訊號(

)，並與樣板訊號(

)進行訊號時序扭曲比對，藉由以下式子計算出運動動作訊號與樣板訊號之間的一致性分數(

)，藉此達成運動訓練動作比對的目的。

另外，動態時間扭曲是由二時序訊號起始時序累加歐基里德距離至終止時序。ABDTW分數計算可如下所示：

其中，

。

一致性評估步驟S64：揮拍動作一致性為運動員每次進行揮拍動作時，動作訊號之間的相似程度。而揮拍動作一致性越高，代表其揮拍技術較為穩定，在整體表現上較佳；反之，揮拍動作一致性越低，代表其揮拍技術較不穩定。在此，係藉由面積邊界動態時間扭曲演算法(AB-DTW)所計算的一致性分數來評估運動員與例如教練動作的一致性比對。其中，分數越低，代表兩相比之運動訊號的一致性越高；反之，分數越高，代表兩相比之運動訊號的一致性越低。

透過上述步驟進行運動動作分析後，可以得到運動員相關的擊球指標，例如包括揮拍軌跡、擊球球種辨識、揮拍分期、擊球次數、擊球速度、平均擊球速度、最大擊球速度、平均殺球速度、最大殺球速度、擊球力度、揮拍弧度、揮拍動作一致性等。

結果呈現步驟 S7 ：係透過與伺服器12耦接的顯示模組13呈現分析結果，讓運動員或/及教練參考，進而改進運動員的擊球動作。在一些實施例中，顯示模組13可為固定式顯示裝置（例如電腦）、或為行動裝置（例如筆記型電腦、手機、平板電腦），或其他型式的顯示裝置。在一些實施例中，顯示模組13可顯示例如即時訊號呈現、擊球速度、力度數據呈現、個人綜合表現評估雷達圖，或/及呈現擊球球種辨識結果及擊球動作分析（如揮拍分期、擊球次數、擊球速度、最大擊球速度、平均殺球速度、最大殺球速度、擊球力度、揮拍弧度、揮拍軌跡及揮拍動作一致性）等相關羽球專項指標，運動員或/及教練可在顯示模組13自行選擇觀看哪些訊號或指標。

本發明還提出一種手持運動的分析方法，可應用於上述的手持運動分析系統1。其中，手持運動分析系統1的元件組成及其功能已於上述中詳述，在此不再多作說明。

如圖2或圖3所示，手持運動的分析方法可包括姿態估測步驟S2、擊球軌跡重建步驟S3、擊球分期偵測步驟S4、擊球球種辨識步驟S5、以及擊球動作一致性評估步驟S6。另外，在姿態估測步驟S2之前，該分析方法更可包括訊號前處理步驟S1。此外，在上述步驟S3、步驟S4、步驟S5、步驟S6之後，該分析方法更可包括結果呈現步驟S7，以呈現分析結果。

手持運動分析方法的各步驟（包括步驟S1至步驟S7）及其內部（子）步驟的詳細技術內容已於上述中詳述，在此不再贅述。要提醒的是，在上述步驟S1至步驟S7中，姿態估測步驟S2、擊球球種辨識步驟S5及擊球動作一致性評估步驟S6可依序或同時進行，但擊球軌跡重建步驟S3與擊球分期偵測步驟S4需在姿態估測步驟S2之後進行，且擊球軌跡重建步驟S3與擊球分期偵測步驟S4可依序或同時進行。

將本實施例的手持運動分析系統1及其分析方法實際應用於羽球球場進行運動員的擊球動作分析。其中，係將訊號感測模組11裝設於例如球拍握柄的後套內，用以感測運動員在揮拍擊球時的動作。如下表所示，其為9位羽球運動員進行長球揮拍時的揮拍分期、擊球速度、擊球弧度及一致性等指標的統計數值。

擊球動作指標	預備期(s)	加速期(s)	餘勢期(s)	擊球速度(kph)	擊球力度(N)	揮拍弧度(deg)	一致性(%)
9位運動員	1.26±0.16	0.10±0.01	0.90±0.09	65.21±5.64	1.07±0.09	248.80±11.95	87.02

另外，圖5A及圖5B分別為應用本發明的手持運動系統進行分析時，兩位運動員的揮拍分期動作訊號示意圖，而圖6A及圖6B分別為對應於圖5A及圖5B之動作訊號的揮拍軌跡示意圖。在此，將揮拍訊號分期為初始靜止期、預備期、加速期、餘勢期及結束靜止期。

如圖5A所示，第一位運動員在長球揮拍的情況下的預備期、加速期及餘勢期時間分別為1.28秒、0.10秒及0.83秒；如圖5B所示，第二位運動員在長球揮拍的情況下的預備期、加速期及餘勢期時間分別為1.28秒、0.09秒及0.96秒。此外，第一位運動員長球揮拍的擊球速度為65.48kph、擊球力度為1.03N、揮拍弧度為253.24°，且揮拍動作一致性為93.10%；而第二位運動員長球揮拍的擊球速度為70.26kph、擊球力度為1.03N、揮拍弧度為244.76°，且揮拍動作一致性為94.33%，如下表所示。

擊球動作指標	預備期(s)	加速期(s)	餘勢期(s)	擊球速度(kph)	擊球力度(N)	揮拍弧度(deg)	一致性(%)
第一位	1.28	0.10	0.83	65.48	1.03	253.24	93.10
第二位	1.28	0.09	0.96	70.26	1.03	244.76	94.33

此外，上述兩位運動員的長球揮拍軌跡可對應如圖6A及圖6B所示。需說明的是，由於本實施例之訊號感測模組11係設置於羽毛球拍之握柄的後套內，因此，圖6B中各時間點顯示的每一直線軌跡是代表羽毛球拍本身（到羽毛球拍之拍框的頂端）。

承上，由上述揭示內容可知，本發明的手持運動分析系統與分析方法，可以透過訊號感測模組自動擷取運動員進行擊球動作時的動作軌跡訊號（即感測訊號），經過伺服器進行訊號分析後可以得到多種相關的擊球指標，省去攝影機拍攝過程的麻煩、增加動作軌跡研究的便利性和實用性，同時可減低研究成本，並且不會受到不同人或不同地形、地物的影響而可將人為所產生的誤差降至最低。再者，運動員或/及教練可隨時藉由觀看分析系統的顯示模組所產生的相關擊球指標，以改進擊球動作。

綜上所述，在本發明的手持運動分析系統與方法中，包括：姿態估測步驟，其依據感測訊號執行擊球動作的手持球具姿態估測；擊球軌跡重建步驟，其依據感測訊號和姿態估測步驟的結果執行擊球軌跡訊號的重建；擊球分期偵測步驟，其依據感測訊號和姿態估測步驟的結果區分擊球過程的不同時期；擊球球種辨識步驟，其依據感測訊號將擊球的球種類型進行分類；以及擊球動作一致性評估步驟，其依據感測訊號計算和評估擊球動作與樣板動作之間的一致性。藉此，相較於習知的擊球動作分析系統來說，本發明的手持運動分析系統與分析方法除了具有方便、專業且實用經濟的優點外，還可即時且客觀地提供相關的擊球指標給運動員或/及教練參考，進而改進運動員的擊球動作。

以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。

1:手持運動分析系統 11:訊號感測模組 12:伺服器 121:處理單元 122:記憶單元 1221:程式指令 13:顯示模組 S1,S11,S12,S2,S21,S22,S23,S3,S31,S32,S33,S34,S4,S41,S42,S43,S44,S5,S51,S52,S53,S54,S6,S61,S62,S63,S64,S7:步驟 SS:感測訊號

圖1A為本發明一實施例之一種手持運動分析系統的功能方塊示意圖。圖1B為圖1A之手持運動分析系統的伺服器的功能方塊圖。圖2為本發明之手持運動分析方法的一流程步驟示意圖。圖3為本發明之手持運動分析方法的另一流程步驟示意圖。圖4為擊球動作的訊號分期偵測示意圖。圖5A及圖5B分別為應用本發明的手持運動系統進行分析時，兩位運動員的揮拍分期動作訊號示意圖。圖6A及圖6B分別為對應於圖5A及圖5B之動作訊號的揮拍軌跡示意圖。

S1,S2,S3,S4,S5,S6:步驟

SS:感測訊號

Claims

一種手持運動分析系統，應用於分析一手持球具的擊球動作，該分析系統包括：一訊號感測模組，設置於該手持球具，該訊號感測模組感測該手持球具的擊球動作並輸出一感測訊號；一伺服器，與該訊號感測模組耦接，該伺服器包括一或多個處理單元及一記憶單元，該一或多個處理單元與該記憶單元耦接，該記憶單元儲存一或多個程式指令，當該一或多個程式指令被該一或多個處理單元執行時，該一或多個處理單元進行：一姿態估測步驟，係依據該感測訊號執行擊球動作的手持球具姿態估測；一擊球軌跡重建步驟，係依據該感測訊號和該姿態估測步驟的結果執行擊球軌跡訊號的重建；一擊球分期偵測步驟，係依據該感測訊號和該姿態估測步驟的結果區分擊球過程的不同時期；一擊球球種辨識步驟，係依據該感測訊號將擊球的球種類型進行分類；其中該擊球球種辨識步驟使用一卷積神經網路分類步驟，該卷積神經網路分類步驟將經訊號正規化之後的該感測訊號中的角速度訊號作為卷積神經網路分類器的輸入，進而分類出多種的擊球球種類型；及一擊球動作一致性評估步驟，係依據該感測訊號計算和評估擊球動作與樣板動作之間的一致性；以及一顯示模組，與該伺服器耦接，該顯示模組呈現分析結果。
如請求項1所述的分析系統，其中該擊球分期偵測步驟係透過一擊球動作分期演算法取得擊球過程中的每一時期訊號；其中，該擊球動作分期演算法包括一動作訊號分割步驟、一座標轉換與重力補償步驟、一動作訊號極點偵測步驟、及一動作訊號分期偵測步驟；其中，該動作訊號極點偵測步驟找出擊球動作的預備期起始點、加速期起始點、擊球點及餘勢期結束點。
如請求項1所述的分析系統，其中，在該擊球分期偵測步驟中，該擊球過程的不同時期包括一初始靜止期、一預備期、一加速期、一餘勢期、及一結束靜止期。
如請求項1所述的分析系統，其中該擊球球種辨識步驟係透過一擊球球種辨識演算法取得擊球球種類型；其中，該擊球球種辨識演算法包括一動作訊號分割步驟、一訊號正規化步驟、該卷積神經網路分類步驟、及一球種辨識步驟。
如請求項1所述的分析系統，其中，經由該擊球球種辨識步驟分類出的球種類型，包括正手發後場球、反手發前場球、正手挑後場高遠球、反手挑後場高遠球、正手推挑後場球、反手推挑後場球、前場正手短球、前場反手短球、中場正手平抽球、中場反手平抽球、中場正手接殺擋網前球、中場反手接殺擋網前球、後場正手切球、後場正手高遠球、後場正手殺球、及中場正手突襲球。
如請求項1所述的分析系統，其中該擊球動作一致性評估步驟係透過一一致性估測演算法對擊球動作進行一致性比對；其中，該一致性估測演算法包括一動作訊號分割步驟、一樣板挑選步驟、一面積邊界動態時間扭曲估測步驟、及一一致性評估步驟；其中，該樣板挑選步驟包括一樣板訊號的取得，該樣板訊號係一使用者利用該手持球具進行擊球動作所產生的該感測訊號經由邊界面積計算所重新取樣後的訊號。
一種手持運動的分析方法，應用於一手持運動分析系統，該手持運動分析系統包括一訊號感測模組，該訊號感測模組設置於一手持球具，並感測該手持球具的擊球動作且輸出一感測訊號，該分析方法包括：一姿態估測步驟：依據該感測訊號執行擊球動作的手持球具姿態估測；一擊球軌跡重建步驟：依據該感測訊號和該姿態估測步驟的結果執行擊球軌跡訊號的重建；一擊球分期偵測步驟：依據該感測訊號和該姿態估測步驟的結果區分擊球過程的不同時期；一擊球球種辨識步驟：依據該感測訊號將擊球的球種類型進行分類；其中該擊球球種辨識步驟使用一卷積神經網路分類步驟，該卷積神經網路分類步驟將經訊號正規化之後的該感測訊號中的角速度訊號作為卷積神經網路分類器的輸入，進而分類出多種的擊球球種類型；以及一擊球動作一致性評估步驟：依據該感測訊號計算和評估擊球動作與樣板動作之間的一致性。
如請求項7所述的分析方法，其中，在該擊球分期偵測步驟中，係透過一擊球動作分期演算法取得擊球過程中的每一時期訊號；其中，該擊球動作分期演算法包括一動作訊號分割步驟、一座標轉換與重力補償步驟、一動作訊號極點偵測步驟、及一動作訊號分期偵測步驟；其中，該動作訊號極點偵測步驟找出擊球動作的預備期起始點、加速期起始點、擊球點及餘勢期結束點。
如請求項7所述的分析方法，其中，在該擊球分期偵測步驟中，該擊球過程的不同時期包括一初始靜止期、一預備期、一加速期、一餘勢期、及一結束靜止期。
如請求項7所述的分析方法，其中，在該擊球球種辨識步驟中，係透過一擊球球種辨識演算法取得擊球球種類型；其中，該擊球球種辨識演算法包括一動作訊號分割步驟、一訊號正規化步驟、該卷積神經網路分類步驟、及一球種辨識步驟。
如請求項7所述的分析方法，其中，經由該擊球球種辨識步驟分類出的球種類型，包括正手發後場球、反手發前場球、正手挑後場高遠球、反手挑後場高遠球、正手推挑後場球、反手推挑後場球、前場正手短球、前場反手短球、中場正手平抽球、中場反手平抽球、中場正手接殺擋網前球、中場反手接殺擋網前球、後場正手切球、後場正手高遠球、後場正手殺球、及中場正手突襲球。
如請求項7所述的分析方法，其中，在該擊球動作一致性評估步驟中，係透過一一致性估測演算法對擊球動作進行一致性比對；其中，該一致性估測演算法包括一動作訊號分割步驟、一樣板挑選步驟、一面積邊界動態時間扭曲估測步驟、及一一致性評估步驟；其中，該樣板挑選步驟包括一樣板訊號的取得，該樣板訊號係一使用者利用該手持球具進行擊球動作所產生的該感測訊號經由邊界面積計算所重新取樣後的訊號。