張振鵬，楊 云，陳 亮，何 劍

(中北大學 儀器與電子學院，山西 太原 030051)

0 引 言

越野滑雪(cross-country skiing)是一項追求體能和技術(shù)的冬季運動，滑雪者在雪地上使用滑雪板和桿推動前進，是冬季奧林匹克運動員最古老的比賽項目之一。越野滑雪分為傳統(tǒng)式和自由式，其中,傳統(tǒng)式由幾個子技術(shù)動作組成，包括雙杖推撐(double-rod push-brace,DP)滑行、對角跨步(diagonal stride,DS)和踢腿雙杖推撐(kicking DP,KDP)，這些子技巧都是周期性運動執(zhí)行的。滑雪者因為各種地形下子動作的能源成本不同而在子技術(shù)動作之間進行轉(zhuǎn)換[1]，不同地形采用合適的技術(shù)動作類型是決定比賽結(jié)果的重要因素之一。因此，準確識別越野滑雪技術(shù)動作能夠有效幫助運動員優(yōu)化滑行策略和改進技術(shù)動作，從而提高比賽成績。

對越野滑雪技術(shù)動作識別主要有3種方法：一種是基于計算機視覺[2]，其主要問題是對場地有一定限制，而越野滑雪這種需要較大空間的運動不適合此方法。另一種是基于對運動員裝備的改進[3]，但越野滑雪對于設備有很高的要求，專業(yè)運動員需要較長的時間適應改造后的設備，限制了該方法的推廣應用。最后一種是基于可穿戴微型傳感器，用于分析滑雪時的各種循環(huán)特性和子技術(shù)種類。Seeberg T M等人[4]使用全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)數(shù)據(jù)和7個慣性測量單元(inertial measurement unit,IMU)組成的多傳感器系統(tǒng)，實現(xiàn)了滑雪中的子技術(shù)檢測并鏈接到GNSS數(shù)據(jù)，從而將子技術(shù)的檢測和分布與不同地形相關(guān)聯(lián)，但由于使用的傳感器數(shù)目過多，使得佩戴過于復雜；Jang J等人[5]提出了一個統(tǒng)一的深度學習模型，用于對經(jīng)典滑雪中使用的3種技術(shù)進行分類，并通過分析5種不同傳感器配置的結(jié)果來優(yōu)化該模型中陀螺儀傳感器的數(shù)量，使用5只IMU傳感器獲得74 %～95 %的準確度。為了解決以上方法所面臨的空間受限、變更裝備及傳感器數(shù)目較多的問題，迫切需求一種越野滑雪運動員動作識別的新方法。

因此，本文提出了一種新的越野滑雪技術(shù)動作識別方法，有效幫助越野滑雪運動員優(yōu)化滑行策略和改進技術(shù)動作。具體是對上肢姿態(tài)參數(shù)和滑雪技術(shù)動作周期進行對照分析，確定利用上肢姿態(tài)參數(shù)進行子動作區(qū)間劃分的方法。對劃分好的IMU數(shù)據(jù)生成時域頻域特征，并對特征進行歸一化和主成分分析(principal component analysis,PCA)，設計支持向量機(support vector machine,SVM)分類器實現(xiàn)對越野滑雪技術(shù)動作識別。

1 撐杖動作特征分析

越野滑雪的主要子技術(shù)是DP、DS和KDP[6]。兩個滑雪杖可以同時使用，即雙桿推撐滑行，也可以交替使用腳和手臂(如跑步或步行)，同時將滑雪杖推向與伸展的滑動滑雪板相反的一側(cè)。在對角跨步中，腿部的運動與普通的步行類似，但步伐更長且更有力。DS適用于水平地面和緩坡上坡。使用DP滑行，2個滑雪杖同時用于推力，會隨著步幅的增加而增大。適用于水平地面和平緩的下坡斜坡[7]。其中,DS需要的氧氣成本最高，與平坦地形上的DS相比，KDP的氧氣成本低16 %，DP的氧氣成本降低26 %。相反在7.1 %坡度的地形上，DS和DP的吸氧量相似[8]。由于在滑雪運動中DP、DS、KDP 3種動作的人體上肢運動方式基本保持一致，它們主要經(jīng)歷3個階段：第一階段是進入推撐狀態(tài)前，運動員身體重心開始前傾，上肢揮桿從默認姿態(tài)到達最高點處；第二階段是進入推撐狀態(tài)后，人體上肢同時發(fā)力，帶動雪杖揮至身體后方最低點處；第三階段是進入恢復狀態(tài)，人體依靠慣性驅(qū)動上肢向前運動，將雪杖收回默認姿態(tài)[9]。上肢行為和對應的角速度數(shù)據(jù)對比如圖1所示[10]，因此,可以利用上肢的角速度數(shù)據(jù)進行子動作區(qū)間劃分，識別出每個子區(qū)間的開始點和結(jié)束點，再通過所有IMU數(shù)據(jù)生成特征進行模式識別。

圖1 揮杖過程分析

2 傳感器信息采集與預處理

測試數(shù)據(jù)來源于旱地越野滑雪，旱地滑雪是專業(yè)運動員在無雪季節(jié)訓練的重要手段和比賽方式。測試者使用專用的旱地越野滑雪板和滑雪杖在平地測試，數(shù)據(jù)采集結(jié)束對數(shù)據(jù)進行手動標注其所屬的運動類型。慣性測量單元使用的芯片MPU9250，具有三軸加速度、三軸陀螺儀和三軸磁力計，以60 Hz的頻率輸出三軸角度、角速度、加速度。數(shù)據(jù)通過I2C協(xié)議和主控進行通信，IMU數(shù)據(jù)通過藍牙傳輸?shù)絽R集節(jié)點并記錄到SD卡中。

在本文研究中，IMU分別固定在滑雪者左前臂骨骼外側(cè)(S1)和左右小腿脛骨正面位置(S4，S5)。各個IMU的三軸方向如圖2所示，當IMU跟隨運動員移動時，IMU將在定義的解剖平面內(nèi)旋轉(zhuǎn)。

圖2 IMU放置位置和三軸方向示意

S1的y軸角速度原始數(shù)據(jù)如圖3(a)，由于受到多種干擾，存在局部偽峰和高頻雜波，因此需要對原始數(shù)據(jù)進行預處理。對S1的y軸角速度進行快速傅里葉變換(fast Fourier transform,FFT)分析信號頻譜，使用 MATLAB的FFTShift對FFT以零為中心平移得到頻譜圖，具體結(jié)果如圖3(b)，根據(jù)頻譜圖可得頻域信號主要集中在0～1.2 Hz范圍內(nèi)，頻域大于1.2 Hz的高頻部分是導致原始信號震蕩的原因。根據(jù)頻譜圖選擇截止頻率為1.2 Hz,5階的巴特沃斯低通濾波器實現(xiàn)對高頻數(shù)據(jù)的削弱。經(jīng)過低通濾波處理后的y軸角速度如圖3(c)，可以看出，經(jīng)過對高頻信號的削弱后，y軸角速度曲線平滑且具有周期性特征。

圖3 數(shù)據(jù)預處理

3 子動作區(qū)間劃分與特征生成

3.1 子動作區(qū)間劃分

對越野滑雪動作識別的基礎是在連續(xù)的慣性傳感數(shù)據(jù)中將各個子動作區(qū)間劃分開，慣性參量尋找行進過程中的角速度接近零值點成為動作區(qū)間劃分的關(guān)鍵。根據(jù)上肢的y軸角速度曲線和揮杖過程分析可以得出，極小值點對應揮桿最快瞬間，極大值點對應收桿最快瞬間，只要分別找到2個角速度接近零值點，即可確定子動作的起始和結(jié)束點[11]。圖4中“△”、黑色“〇”標記為過濾后的極大值極小值點。向左遍歷極小值點至角速度為零處即為子動作左邊界，向右遍歷極大值至角速度為零處即為子動作右邊界。實際中，左邊界數(shù)目和右邊界數(shù)目必須一致并且一一對應，兩者之間相隔的時間必須小于一定的閾值才可被視作一次子動作，圖中灰色“〇”標記即為區(qū)間開始和終點。

圖4 子動作區(qū)間劃分

圖5為經(jīng)過子動作區(qū)間劃分的3種子動作DP、DS、KDP的S1的y軸角速度和S4、S5三軸速角度曲線，可以看出，3種動作上肢的行為方式基本一致即從默認姿態(tài)進入推撐狀態(tài)再到恢復狀態(tài)，3種子技術(shù)動作的下肢角速度呈現(xiàn)不同的規(guī)律，因此，可以通過特征提取實現(xiàn)模式識別。

圖5 3種子動作DP、DS、KDP的角速度曲線

3.2 特征生成

根據(jù)劃分好的子動作區(qū)間，不同動作因其運動方式的不同導致角速度變化存在一定的差異。設定某慣性參量為{x1,x2,…,xn}，使用FFT得到估計功率譜密度，其中的參量為頻率f和頻譜P(f)。生成的特征如表1[12]，由于上肢角速度經(jīng)過低通濾波后頻率特性被改變，因此,只選擇S1的y軸角速度12個時域特征，S4、S5的三軸角速度分別有12個時域特征和3個頻域特征，如表1所示生成102維的特征向量。

表1 子動作特征

為了提高計算速度，同時防止某個特征過大或者過小，對訓練起不平衡作用。常見的歸一化包括離差標準化和中心標準化，其中，離差標準化是對原始數(shù)據(jù)進行線性變換，使結(jié)果落到0～1區(qū)間，中心標準化是使所有特征的數(shù)值被轉(zhuǎn)化成為均值為0、標準差為1的正態(tài)分布。相比于中心標準化，離差標準化并不能很好地解決異常值問題。因此，選擇中心標準化對生成的特征進行處理。

特征生成時選擇了IMU時域和頻域共102維的特征，高維度的特征會提供豐富的信息，但增加了問題分析的復雜性。PCA是從原始的空間中順序地找一組相互正交的坐標軸，將n維特征映射到k維上[13]。對經(jīng)過歸一化處理的特征進行PCA，選擇解釋方差大于90 %對特征進行降維，將數(shù)據(jù)維度從102維降至36。

4 子動作識別

在人體運動識別中，由于樣本數(shù)量有限、樣本維度較高，對分類識別算法具有較高要求。本文采用SVM理論[14,15]設計傳統(tǒng)式越野滑雪動作識別分類器，使用MATLAB的Classification Learner，設置三次多項式作為SVM分類器的核函數(shù)。數(shù)據(jù)包括經(jīng)過歸一化和PCA得到的特征向量和其所屬的運動類型，包括119組DP、133組DS、115組KDP。交叉驗證是在模式識別針對小數(shù)據(jù)集情況下建立模型和驗證模型參數(shù)時常用的辦法。通過交叉驗證把訓練數(shù)據(jù)集拆分為5份并估計每份的準確度來防止過擬合，每次隨機選擇其中4份作為訓練集,剩下的1份做測試集。一輪完成后，重新隨機組合訓練集和測試集，若干輪后即可得到該模型的混淆矩陣。

根據(jù)圖6(a)中SVM的混淆矩陣可以得出該模型的預測準確率達到95.4 %，基本實現(xiàn)3種子動作的有效區(qū)分。為了驗證實驗效果，與常用的KNN[16]進行對比實驗。實驗設置K值為10，得到的混淆矩陣如圖6(b)，預測準確率為88.6 %，可以看出，SVM在準確率相較KNN模型上有一定的優(yōu)勢。

圖6 SVM和KNN的混淆矩陣

5 結(jié) 論

本文提出了一種基于慣性傳感和自動作區(qū)間劃分的越野滑雪技術(shù)動作識別的方法，實現(xiàn)了3種子動作的有效區(qū)分，能夠為運動員優(yōu)化滑行策略和改進技術(shù)動作提供數(shù)據(jù)支撐。實驗結(jié)果表明：該方法對3種越野滑雪子動作DP，DS，KDP的識別率高達95.4 %。通過和最近鄰算法結(jié)果對比可以得出SVM模式識別具有較高的識別精度，基本實現(xiàn)3種越野滑雪子動作的分類。為基于慣性傳感的越野滑雪動作識別提供了一種可參考的方法。