一种基于摆动球轨迹的无绳跳绳姿势风险识别方法及装置

本发明涉及智能运动设备、无绳跳绳、可穿戴传感器、惯性传感器信号处理、轨迹质量评价、机器学习和运动训练辅助，尤其涉及一种基于摆动球轨迹、手柄惯性信号、足端落地冲击信号、运动安全先验约束和用户个体动作轨迹基线模型的无绳跳绳姿势风险识别方法及装置。

背景技术：

1、无绳跳绳通常通过手柄、连接绳和摆动球模拟传统跳绳的摆动感觉，具有占用空间小、便于室内训练和不易绊绳等特点。现有无绳跳绳或智能跳绳设备多以运动次数、运动频率、运动时长和能量消耗估计为主要功能，部分方案通过手柄旋转、惯性传感器或足端触地信号进行动作识别和计数修正。

2、然而，无绳跳绳没有真实绳体经过脚下，手柄转动并不必然表示用户完成了稳定、协调且符合训练要求的跳跃动作。摆动球的运动轨迹能够反映用户手腕摆动方式、左右手协调性、摆动幅度、节奏稳定性和上肢代偿情况。若仅依据手柄旋转或简单阈值，难以识别摆动球偏甩、轨迹不闭合、左右摆动不同步、手脚节奏失配、空甩、半跳、落地冲击异常和疲劳后动作变形等姿势风险。

3、同时，不同用户在身高、体重、腕部发力方式、跳跃幅度、落地习惯和运动节奏方面存在差异。若仅使用固定阈值，容易产生误报或漏报；若完全依赖用户历史数据进行学习，又可能将长期不良动作习惯学习为正常动作。因此，需要一种面向无绳跳绳摆动球轨迹质量评价的姿势风险识别方案，使系统能够在运动安全先验约束下建立个体化动作模型，并输出个性化纠正提示。

技术实现思路

1、本发明要解决的技术问题在于：克服现有无绳跳绳设备偏重计数、依赖手柄运动或固定阈值，难以利用摆动球轨迹质量识别姿势风险的问题，提供一种基于摆动球轨迹的无绳跳绳姿势风险识别方法及装置，使系统能够结合手柄惯性信号、足端落地冲击信号、运动安全先验约束和用户个体动作轨迹基线模型，对无绳跳绳训练过程中的姿势风险进行识别和纠正提示。

2、为解决上述技术问题，本发明提供一种基于摆动球轨迹的无绳跳绳姿势风险识别方法，包括如下步骤：采集无绳跳绳摆动球轨迹信号，所述摆动球轨迹信号至少包括摆动球相对高度曲线、轨迹平面变化和左右摆动球相位关系；采集无绳跳绳手柄惯性信号和足端落地冲击信号；对摆动球轨迹信号、手柄惯性信号和足端落地冲击信号进行时间同步，建立统一时间轴，并进行滑动窗口分割、去噪、归一化、峰值检测、动作周期识别和相位关系计算。

3、根据摆动球轨迹信号提取摆动球轨迹质量特征，所述摆动球轨迹质量特征包括轨迹闭合度、轨迹平面倾斜度、相对高度峰谷差和左右摆动球相位差；构建运动安全先验约束，所述运动安全先验约束包括落地冲击上限、左右脚冲击差上限、摆动球轨迹平面倾斜上限、左右摆动球相位差上限、手柄旋转事件与足端落地事件的相位差范围、连续异常冲击次数上限和疲劳后动作波动范围。

4、根据摆动球轨迹质量特征、手柄旋转事件与足端落地事件的一致性校验结果筛选稳定有效动作样本。所述稳定有效动作样本为同时满足摆动球轨迹质量条件、手柄旋转事件与足端落地事件时序匹配、手柄旋转周期与足端落地周期一致且未突破运动安全先验约束的动作样本。

5、根据稳定有效动作样本建立用户个体动作轨迹基线模型。所述用户个体动作轨迹基线模型包括用户正常摆动球轨迹闭合度范围、正常轨迹平面倾斜范围、正常相对高度峰谷差范围、正常左右摆动球相位差范围、正常手脚相位差范围、正常落地冲击范围和正常节奏波动范围。

6、在实时训练过程中，将当前动作特征分别与运动安全先验约束和用户个体动作轨迹基线模型进行比较，以识别姿势风险状态。所述姿势风险状态包括摆动球偏甩、轨迹不闭合、摆动高度异常、左右摆动球不同步、手脚节奏失配、上肢代偿过强、空甩、半跳、落地冲击过大、左右受力不均和疲劳后动作变形。

7、根据姿势风险识别结果输出个性化纠正提示，所述个性化纠正提示包括减小摆动球偏甩、保持左右手同步、保持完整摆动周期、保持手柄摆动与落地节奏同步、降低落地冲击、调整左右受力、降低跳跃频率或暂停休息。

8、建立自学习更新机制，根据稳定有效动作样本、用户确认标记、提示响应结果或训练后动作稳定性统计结果更新用户个体动作轨迹基线模型。设置安全边界限制机制，使用户个体动作轨迹基线模型的更新结果不突破运动安全先验约束。当候选更新结果使落地冲击范围、左右脚冲击差范围、摆动球轨迹平面倾斜范围、左右摆动球相位差范围或手柄旋转事件与足端落地事件的相位差范围超过对应运动安全先验约束时，拒绝候选更新结果或将候选更新结果限制在运动安全先验约束内。

9、本发明还提供一种基于摆动球轨迹的无绳跳绳姿势风险识别装置，包括摆动球轨迹采集模块、手柄惯性采集模块、足端冲击采集模块、时间同步与特征提取模块、轨迹质量评价模块、先验约束模块、一致性校验模块、个体动作轨迹基线模型模块、姿势风险识别模块、自学习更新模块、安全边界限制模块和纠正提示模块。

10、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。

11、与现有技术相比，本发明至少具有如下有益效果：第一，本发明不以普通跳绳计数为核心，而是将无绳跳绳摆动球轨迹作为姿势风险识别的重要依据；第二，本发明通过相对高度曲线、轨迹平面变化、左右摆动球相位关系、轨迹闭合度、轨迹平面倾斜度和相对高度峰谷差等特征评价摆动球轨迹质量，能够识别摆动球偏甩、轨迹不闭合和左右摆动不同步等无绳跳绳特有问题。

12、第三，本发明结合摆动球轨迹信号、手柄惯性信号和足端落地冲击信号，能够区分稳定有效动作、空甩、半跳、手脚节奏失配和落地冲击异常；第四，本发明通过运动安全先验约束限制用户个体动作轨迹基线模型的更新边界，避免将长期不良动作学习为正常动作；第五，本发明不采集图像、声音或人脸信息，区别于基于视频人体关键点的跳绳识别方案，有利于降低隐私风险和部署成本；第六，本发明输出的是运动训练辅助提示和姿势风险提示，不用于医疗诊断或治疗效果判断。

1.一种基于摆动球轨迹的无绳跳绳姿势风险识别方法，其特征在于，包括：采集无绳跳绳摆动球轨迹信号，所述摆动球轨迹信号至少包括摆动球相对高度曲线、轨迹平面变化和左右摆动球相位关系；采集无绳跳绳手柄惯性信号和足端落地冲击信号；对所述摆动球轨迹信号、所述手柄惯性信号和所述足端落地冲击信号进行时间同步及动作特征提取；根据所述摆动球轨迹信号提取摆动球轨迹质量特征，所述摆动球轨迹质量特征包括轨迹闭合度、轨迹平面倾斜度、相对高度峰谷差和左右摆动球相位差；构建运动安全先验约束；根据所述摆动球轨迹质量特征、手柄旋转事件与足端落地事件的一致性校验结果筛选稳定有效动作样本；根据所述稳定有效动作样本建立用户个体动作轨迹基线模型；在实时训练过程中，将当前动作特征分别与所述运动安全先验约束和所述用户个体动作轨迹基线模型进行比较，以识别姿势风险状态；根据识别结果输出个性化纠正提示；并通过安全边界限制机制使所述用户个体动作轨迹基线模型的更新结果不突破所述运动安全先验约束。

2.根据权利要求1所述的方法，其特征在于，所述摆动球轨迹信号通过设置于摆动球内的惯性传感器采集，或者根据手柄惯性信号、连接绳长度、手柄姿态和摆动动力学模型计算获得，或者通过摆动球与手柄之间的磁感应、距离传感、蓝牙测距、超宽带测距、光电检测中的至少一种方式获得。

3.根据权利要求1所述的方法，其特征在于，所述手柄惯性信号包括三轴加速度、三轴角速度、手柄旋转周期、角速度峰值、加速度峰值和手腕摆动幅度，所述足端落地冲击信号包括起跳状态、落地冲击峰值、左右脚冲击差、落地周期和足端加速度变化。

4.根据权利要求1所述的方法，其特征在于，所述时间同步及动作特征提取包括对所述摆动球轨迹信号、所述手柄惯性信号和所述足端落地冲击信号进行统一时间轴映射、滑动窗口分割、去噪、归一化、峰值检测、动作周期识别和相位关系计算。

5.根据权利要求1所述的方法，其特征在于，所述运动安全先验约束包括落地冲击上限、左右脚冲击差上限、摆动球轨迹平面倾斜上限、左右摆动球相位差上限、手柄旋转事件与足端落地事件的相位差范围、连续异常冲击次数上限和疲劳后动作波动范围。

6.根据权利要求1所述的方法，其特征在于，所述稳定有效动作样本为同时满足摆动球轨迹质量条件、手柄旋转事件与足端落地事件在动态时间窗口内的时序匹配条件、手柄旋转周期与足端落地周期的周期一致性条件且未突破所述运动安全先验约束的动作样本。

7.根据权利要求1所述的方法，其特征在于，所述用户个体动作轨迹基线模型包括用户正常摆动球轨迹闭合度范围、正常轨迹平面倾斜范围、正常相对高度峰谷差范围、正常左右摆动球相位差范围、正常手脚相位差范围、正常落地冲击范围和正常节奏波动范围，并且所述用户个体动作轨迹基线模型根据稳定有效动作样本、用户确认标记、提示响应结果或训练后动作稳定性统计结果进行更新。

8.根据权利要求1所述的方法，其特征在于，所述姿势风险状态包括摆动球偏甩、轨迹不闭合、摆动高度异常、左右摆动球不同步、手脚节奏失配、上肢代偿过强、空甩、半跳、落地冲击过大、左右受力不均和疲劳后动作变形，所述安全边界限制机制包括当所述用户个体动作轨迹基线模型的候选更新结果使落地冲击范围、左右脚冲击差范围、摆动球轨迹平面倾斜范围、左右摆动球相位差范围或手柄旋转事件与足端落地事件的相位差范围超过对应运动安全先验约束时，拒绝所述候选更新结果或将所述候选更新结果限制在所述运动安全先验约束内。

9.一种基于摆动球轨迹的无绳跳绳姿势风险识别装置，其特征在于，所述装置用于执行权利要求1至8中任一项所述的方法，并包括：摆动球轨迹采集模块，用于采集无绳跳绳摆动球轨迹信号；手柄惯性采集模块，用于采集无绳跳绳手柄惯性信号；足端冲击采集模块，用于采集足端落地冲击信号；时间同步与特征提取模块，用于对摆动球轨迹信号、手柄惯性信号和足端落地冲击信号进行时间同步及动作特征提取；轨迹质量评价模块，用于提取轨迹闭合度、轨迹平面倾斜度、相对高度峰谷差和左右摆动球相位差；先验约束模块，用于构建运动安全先验约束；一致性校验模块，用于筛选稳定有效动作样本；个体动作轨迹基线模型模块，用于建立用户个体动作轨迹基线模型；姿势风险识别模块，用于识别姿势风险状态；自学习更新模块，用于更新所述用户个体动作轨迹基线模型；安全边界限制模块，用于限制所述用户个体动作轨迹基线模型的更新结果不突破所述运动安全先验约束；纠正提示模块，用于输出个性化纠正提示。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。