基于运动时序特征降维的挥杆动作缺陷联合评估方法与流程

摘要: 本发明涉及运动生物力学评估,具体涉及基于运动时序特征降维的挥杆动作缺陷联合评估方法。背景技术:1、随着计算机视觉与深度学习技术的快速发展,基于视频的人体运动姿态...
基于运动时序特征降维的挥杆动作缺陷联合评估方法与流程

本发明涉及运动生物力学评估,具体涉及基于运动时序特征降维的挥杆动作缺陷联合评估方法。

背景技术:

1、随着计算机视觉与深度学习技术的快速发展,基于视频的人体运动姿态分析已广泛应用于体育训练、康复医疗、人机交互及动作捕捉等领域,其中高尔夫挥杆动作的智能评估因其对时序精度与生物力学合理性的高要求而成为研究热点与技术难点;高尔夫挥杆是一种涉及下肢蹬地、髋部旋转、躯干扭转、肩臂摆动及腕杆释放等多关节协同发力的高速复合运动,其动作质量直接决定击球距离、方向稳定性及运动损伤风险,而依赖教练人工观察与经验判断的评估方式存在主观性强、量化程度低、难以捕捉帧间细微时序偏差及无法批量复现等固有局限;在此情形下,国内外研究者展开了基于骨骼关键点检测与运动特征比对的自动化挥杆评估技术研究,通过从单目或多视角视频中提取人体关节坐标序列,结合关键帧检测、姿态模板比对、关节角度计算与相似度评分模型,初步实现了挥杆动作的自动化量化分析与可视化反馈;然而现有技术方案多聚焦于离散关键帧的静态特征比对或整体动作相似度评分,对挥杆全过程连续时序动态的精细建模、多运动链节点间的时序传导与能量传递关系、以及动作缺陷之间的因果关联与根因定位机制仍缺乏系统性深入探索,评估结果往往停留在表面分数与局部特征差异,难以满足专业训练中高精度挥杆动作缺陷诊断与个性化纠正优先级指导的实际需求。

2、中国专利(公开号cn108564596a)公开了一种高尔夫挥杆视频的智能比对分析系统及方法,该方法通过openpose算法提取人体十八个骨骼关键点,经峰值检测与dtw算法定位完整挥杆序列,进一步提取站位、引杆、上杆、顶点、释放、击球、送杆、收杆八个关键帧,并基于高尔夫专业知识制定的规则对正面与侧面视频的动态特征与静态特征进行比对分析,实现了挥杆动作与教练员模板的智能比对及错误渲染标注;然而该方法仅依赖八个离散关键帧进行特征提取与规则比对,丢失了关键帧之间的连续时序动态信息,且比对规则由人工经验制定,缺乏数据驱动的缺陷严重程度量化与缺陷间关联分析,同时未考虑人体各运动环节之间的时序传导与能量传递关系,难以定位动作缺陷的根本原因。

3、中国专利(公开号cn116958859a)公开了一种基于视频的高尔夫挥杆评测方法及系统,该方法通过mobilenetv2网络提取视频帧图像特征,经多尺度时序mlpformer预测挥杆关键事件帧,并通过videopose3d算法进行三维人体骨骼点重建,通过对比普通球手与职业球员在关键帧时刻的三维骨架模型、关节角度及骨骼点欧氏距离,实现了挥杆动作的标准度量化评分与多角度可视化展示;然而该方法仅在关键帧时刻计算骨骼点距离作为评分依据,未充分通过挥杆全过程的连续时序特征,评分方式为简单的欧氏距离累加,无法区分不同身体环节缺陷的类型差异与因果关联,且以职业球员为固定模板未考虑个体体型与挥杆风格差异,评估结果仅为单一标准度分数,无法提供缺陷根因定位与纠正优先级排序。

4、中国专利(公开号cn114931743a)公开了一种运动评估方法、运动评估装置、电子设备和可读存储介质,该方法通过在运动准备阶段识别骨骼关键点坐标并确定用户个人基准动作,在运动进行阶段实时提取骨骼关键点坐标,将当前动作各关节夹角角度与基准动作对应夹角进行比较得到角度误差,以此评估运动动作的标准程度并生成运动结果,实现了面向健身动作的个性化基准适配与实时标准程度评估;然而该方法针对俯卧撑等通用健身动作设计,仅进行单帧关节角度误差的逐项比较,缺乏对高速连续运动时序动态的建模能力,且以用户自身准备动作为基准无法与专业标准进行对标,未涉及多关节协同运动链的时序传导分析,难以适用于高尔夫挥杆这类多阶段、高速度、强协同的复杂运动评估。

5、综上,现有技术在高尔夫挥杆动作评估中存在时序建模不连续、运动链传导分析缺失、缺陷因果关联与根因定位不足等技术瓶颈,亟需一种能够对挥杆运动时序特征进行精细化处理、系统性分析多运动链时序偏差并实现缺陷联合评估的方法,以提高挥杆动作缺陷诊断的准确性与纠正指导的针对性。

技术实现思路

1、基于上述技术问题,本技术公开了基于运动时序特征降维的挥杆动作缺陷联合评估方法,具体包括:

2、获取挥杆过程的人体骨骼关键点及球杆运动时序数据,构建至少包含关节角度、角速度、角加速度、相对位移及杆头轨迹的原始运动时序特征;

3、基于所述原始运动时序特征识别挥杆阶段,并以挥杆关键事件构建相位锚点,对原始运动时序特征实施时序相位归一化;

4、基于时序相位归一化后的特征,结合时序相关性、阶段敏感度及正常挥杆基准与待评估挥杆之间的偏离程度构建缺陷敏感型降维约束,将高维运动时序特征映射为低维运动时序特征;

5、按照下肢、髋部、躯干、肩臂及腕杆构建运动链,将所述低维运动时序特征映射至各运动链,通过跨运动链时序注意力机制提取相邻运动链之间的时序延迟、峰值传递及相位偏移,形成运动链时序偏差序列;

6、基于所述运动链时序偏差序列构建动作缺陷关联序列,根据各缺陷的时序先导性、持续性及传播关联度确定主导缺陷,并融合主导缺陷与关联缺陷的偏差程度、发生阶段及传播路径,生成挥杆动作缺陷联合评估结果。

7、优选的,所述获取挥杆过程的人体骨骼关键点及球杆运动时序数据,具体为:采用多视角同步采集装置获取挥杆过程的多路视频帧序列,通过基于transformer编码器-解码器架构的三维人体姿态估计网络对每路视频帧进行二维关键点检测与可微三角化,输出人体二十五关节点的三维坐标时序矩阵;

8、通过实例分割网络提取球杆区域并通过杆体直线拟合与杆头几何约束求解球杆六自由度位姿,得到杆头三维坐标与杆体朝向角时序。

9、优选的,所述原始运动时序特征,具体为:对所述三维坐标时序矩阵采用自适应无迹卡尔曼滤波进行时序平滑后,以关节点三维坐标的一阶有限差分计算线速度、二阶有限差分计算线加速度,以相邻骨骼向量的空间夹角计算关节角度、角度的一阶差分计算角速度、二阶差分计算角加速度,以相邻关节点坐标的差值向量计算相对位移,并将杆头三维坐标时序拟合为三次b样条曲线得到连续杆头轨迹;

10、将关节角度、角速度、角加速度、相对位移及杆头轨迹在时间维度上对齐拼接,构成维度为时间步长乘以特征维度的原始运动时序数据矩阵。

11、优选的,所述对原始运动时序特征实施时序相位归一化,具体为:构建循环一致连续相位变分自编码器,所述编码器由时序卷积编码器、相位均值与方差预测头以及时序卷积解码器构成,将原始运动时序数据映射为一维连续相位变量;

12、在训练阶段引入循环一致性损失,即将同一次挥杆的时序数据经编码器得到相位后再由解码器重建原始时序,并将相位随机扰动后再次编码应得到相近相位值;

13、通过关键事件检测头对相位变量的导数序列进行峰值检测,识别上杆顶点、下杆启动、击球瞬间及随杆结束四个关键事件对应的相位锚点值;

14、以所述四个相位锚点为基准,将不同挥杆时长的原始运动时序数据通过分段线性插值映射到统一的归一化相位区间,得到相位归一化后的运动时序特征。

15、优选的,所述将高维运动时序特征映射为低维运动时序特征,具体为:以正常挥杆样本经随机时序掩码后生成的增强视图作为正样本对,以正常挥杆与已知缺陷挥杆样本作为负样本对,并基于挥杆相位区间计算阶段敏感度权重,将击球前后相位区间的权重设为最高、上杆顶点与下杆启动区间权重次之、其余区间权重递减,构建归一化温度缩放交叉熵损失项;

16、引入变分信息瓶颈约束,在低维特征与原始高维特征之间建立互信息上界,迫使低维特征仅保留与缺陷判别相关的最小充分信息,构建变分信息瓶颈约束损失项;

17、以时序自相关矩阵的frobenius范数量化时序相关性并作为正则项加入降维目标函数,得到总目标函数;

18、基于总目标函数,将高维运动时序特征通过由多层一维卷积与通道注意力构成的编码器映射为低维运动时序特征。

19、优选的,所述运动链时序偏差序列,具体为:将人体骨骼关节按照生物力学传导路径划分为五个运动链节点,其中下肢节点包含左右踝关节、膝关节及髋关节(共六个关节),髋部节点包含骨盆中心与左右髋关节(共三个关节),躯干节点包含脊柱胸段、腰段及肩峰(共四个关节),肩臂节点包含左右肩关节、肘关节及腕关节(共六个关节),腕杆节点包含左右腕关节、杆柄端点及杆头端点(共四个关节);

20、构建自适应时空图神经网络,以五个运动链节点为空间图节点、以生物力学连接关系为初始边并引入可学习的全局邻接矩阵,在时间维度上通过门控时序卷积提取每个运动链节点的时序动态特征,在空间维度上通过自适应图卷积聚合相邻运动链节点的信息,将低维运动时序表征分别映射为五个运动链各自的时空特征矩阵;

21、输出五个运动链各自的时空特征矩阵,维度均为时间步长乘以节点特征维度。

22、优选的,所述运动链时序偏差序列,具体为:对每一对相邻运动链构建因果约束交叉注意力模块,其中上游运动链特征作为键与值、下游运动链特征作为查询,并施加严格下三角因果掩码以确保信息仅能从上游流向下游;

23、对注意力权重矩阵沿时间维度计算加权质心偏移量得到时序延迟指标,计算注意力权重从上游峰值时刻向下游的能量转移比例得到峰值传递指标,通过上下游特征的相位互相关函数峰值位置得到相位偏移指标;

24、将上述三个指标在全部相邻运动链对与全部时间步上拼接,形成运动链时序偏差序列;同时以正常挥杆基准库中对应指标的统计分布为参照,计算待评估挥杆各指标的标准化偏离值作为偏差幅度。

25、优选的,所述缺陷关联序列,具体为:通过预设的缺陷语义字典将运动链时序偏差序列映射为候选缺陷事件序列,每个缺陷事件包含缺陷类型标签、发生相位区间及偏差幅度;

26、采用可微结构学习方法对候选缺陷事件之间的有向因果图进行端到端学习,以缺陷事件的时序观测数据为输入、以邻接矩阵的连续松弛表示为优化变量,通过最小化带无环约束的最小二乘损失得到缺陷间的因果连接结构与连接权重;

27、基于所述因果图计算每个缺陷的时序先导性指标即该缺陷作为原因节点指向其他缺陷的出边权重之和、持续性指标即该缺陷事件持续相位长度占总挥杆相位的比例及传播关联度指标;

28、将上述三个指标与缺陷类型标签、发生相位区间、偏差幅度联合编码,构成动作缺陷关联序列。

29、优选的,所述根据各缺陷的时序先导性、持续性及传播关联度确定主导缺陷,具体为:将动作缺陷关联序列建模为有向加权缺陷传播图,以缺陷事件为节点、因果连接为有向边、传播关联度为边权重;

30、对缺陷传播图进行消息传递,学习每个缺陷节点的嵌入表示,并通过读出头输出每个缺陷的主导性评分;

31、构建多目标强化学习策略网络,以最大化被解释关联缺陷数量与最小化主导缺陷集合基数为奖励函数,从缺陷图中选择最优主导缺陷子集;

32、对于选定的每个主导缺陷,沿因果图遍历其所有可达关联缺陷,融合主导缺陷与各关联缺陷的偏差程度即z-score幅度、发生阶段即相位区间标签及传播路径即因果路径上边权重的连乘,生成包含缺陷根因定位、影响范围量化及纠正优先级排序的挥杆动作缺陷联合评估结果。

33、优选的,所述生成挥杆动作缺陷联合评估结果,具体为:以多目标强化学习策略网络选定的主导缺陷子集为根因节点,沿缺陷传播图遍历各主导缺陷的全部可达关联缺陷并构建因果传播路径图谱,融合每个缺陷的标准化偏差幅度即z-score值、发生相位区间标签及因果传播路径上边权重的连乘积计算综合影响得分,按得分降序排列生成包含主导缺陷根因定位、关联缺陷影响范围量化、缺陷间时序传播路径及纠正训练优先级排序的结构化诊断报告。

34、相对于现有技术,本技术的技术方案具有以下技术效果:

35、本发明构建包含关节角度、角速度、角加速度、相对位移及杆头轨迹的多维度原始运动时序数据,并采用循环一致连续相位变分自编码器对不同时长挥杆实施时序相位归一化,以上杆顶点、下杆启动、击球瞬间及随杆结束为相位锚点完成跨样本时序对齐,实现了挥杆全过程连续时序动态的精细建模,显著提升了时序偏差检测的粒度与准确性。

36、本发明通过结合时序相关性、阶段敏感度及正常基准偏离程度构建缺陷敏感型降维约束,经缺陷感知对比学习与变分信息瓶颈在保留缺陷判别关键信息的同时压缩高维时序特征,并按下肢、髋部、躯干、肩臂及腕杆五层运动链构建自适应时空图神经网络,通过因果约束跨运动链时序注意力机制提取相邻链间的时序延迟、峰值传递及相位偏移三项指标,实现了多运动链节点间时序传导与能量传递关系的细粒度量化。

37、本发明通过可微结构学习方法端到端构建缺陷间有向因果图,结合时序先导性、持续性及传播关联度构建缺陷关联序列,并经图神经网络消息传递与多目标强化学习策略网络确定主导缺陷子集,沿因果传播路径遍历关联缺陷并融合偏差程度、发生阶段及传播路径权重生成联合评估结果,实现了缺陷根因定位、影响范围量化及纠正优先级排序的系统化诊断。

38、本发明通过多视角同步采集与transformer三维人体姿态估计网络结合可微三角化获取高精度三维骨骼坐标,经自适应无迹卡尔曼滤波平滑时序噪声,并以正常挥杆基准库的统计分布计算各指标的标准化偏差幅度,提升了评估结果对个体体型差异与挥杆风格变化的鲁棒性与泛化能力。

39、上述说明仅是本技术技术方案的概述,为了能够更清楚了解本技术的技术手段,从而可依照说明书的内容予以实施,并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂,以下以本技术的较佳实施例并配合附图详细说明如后。

40、根据下文结合附图对本技术具体实施例的详细描述,本领域技术人员将会更加明了本技术的上述及其他目的、优点和特征。