Masa Tenisi Tasarımı / Badminton Sporları Devlet Tanıma Saati
Özet: Piyasadaki mevcut ürünlerde masa tenisi ve badminton statüsünün tanınmamasını telafi etmek için, raket tutan bileğe takılabilen bir saat, bu iki sporun birden fazla durumunu tanıyabilir. Donanımı ağırlıklı olarak STM32F103C8T6 mikro denetleyici, MPU6050 sensörü ve Bluetooth seri port modülünü benimser. Hareket durumu tanıma gerçekleştirme yöntemi: 3 eksenli hızlanma ve 3 eksenli açısal hızdan referans sistemi olarak jeodezik koordinatla 3 eksenli açıyı hesaplayın ve veriler yüksek geçişli filtreleme, yumuşatma ve veri pencereleme ile ön işlendikten sonra özellik değerini çıkarın; daha sonra rastgele ormana dayalı Masa tenisi ve badminton sürecinde birden çok durumu tanımak için sınıflandırma ve tanıma algoritmaları. Saat, düşük donanım maliyeti, küçük boyut ve düşük güç tüketimi özelliklerine sahiptir.Testlerden sonra tanınma oranı% 90'ın üzerine çıkabilir.
TP274.2
Bir
10.16157 / j.issn.0258-7998.174468
Çince alıntı biçimi: Guo Fuzhi, Du Hongmian, Li Xiaoshu ve diğerleri.Bir masa tenisi / badminton hareketi durumu tanıma saatinin tasarımı.Elektronik Teknoloji Uygulaması, 2018, 44 (4): 73-76.
İngilizce alıntı biçimi: Guo Fuzhi, Du Hongmian, Li Xiaoshu, ve diğerleri Masa tenisi ve badminton hareket durumu tanıma saatinin tasarımı.Elektronik Teknik Uygulaması, 2018, 44 (4): 73-76.
Masa tenisi ve badminton hareket durumu tanıma saati tasarımı
Guo Fuzhi, Du Hongmian, Li Xiaoshu, Qin Sichao, Ge Zhu
(Enstrüman Bilimi ve Dinamik Test Anahtar Laboratuvarı, Eğitim Bakanlığı, Çin Kuzey Üniversitesi, Taiyuan 030051, Çin)
Öz: Masa tenisi ve badminton sporlarının durumunu belirlemek için piyasadaki mevcut ürünlerin eksikliğini telafi etmek için, bu makale çeşitli eyalet saatlerinde bu iki tür hareketi tanımlayabilen bir raket bileği tasarlar. STM32F103C8T6 tek yonga, MPU6050 sensörü ve Bluetooth seri modülü. Hareket durumu tanıma yöntemi şu şekildedir: ilk olarak, üç eksenli açıyı hesaplamak için üç eksenli hızlanma ve üç eksenli açısal hız kullanılır. Veriler yüksek geçişe tabi tutulur filtreleme, yumuşatma ve veri ön işleme. Ardından rastgele orman sınıflandırması tanıma algoritmasına göre, süreçteki çeşitli masa tenisi ve badminton durumları belirlenir. Saatin donanım maliyeti, küçük boyutu ve düşük güç tüketimi vardır. ve test ile tanıma oranı% 90'a kadar çıkar.
Anahtar kelimeler: spor durumu; masa tenisi; badminton; rastgele orman; tanımlama
0 Önsöz
Son yıllarda giyilebilir cihazlar sıcak bir gelişim projesi olmuştur.Çeşitli markaların spor saatleri ve bilezikleri birbiri ardına ortaya çıkmıştır.Giyilebilir spor durumu tanıma cihazlarının uygulama olasılıkları oldukça fazladır. Şu anda, piyasadaki ürünler yürüme, koşma ve uyku gibi belirli bir süre boyunca belirli bir hareketi tanımaya odaklanıyor ve masa tenisi ve badmintonun hareketini tanımak için ekipman eksik. Profesyonel hareket tanıma ekipmanı, video görüntülerinin analizine ve çoklu sensör cihazının farklı parçalarının algılanmasına ve analizine odaklanır.İki yöntem, boyut olarak büyük ve maliyet açısından yüksektir. Yalnızca laboratuarlarda kullanım için uygundur ve halka tanıtımı için uygun değildir. Şu anda, hareket durumunun sınıflandırma ve tanıma algoritmaları temel olarak dinamik K-en yakın komşu, karar ağacı, rastgele orman, destek vektör makinesi, sinir ağı vb. İçerir.
Masa tenisi ve badminton amatör spor tutkunlarının hareket sürecinin hareket durumunun tanınması ve kaydedilmesi için gereksinimlerini karşılamak amacıyla bu makale bir spor saatinin tasarımını tanıtacaktır. Basit bir donanımdan oluşur ve zaman alanında analiz edilen rastgele orman sınıflandırma algoritmasını kullanarak masa tenisi ve badmintonun çeşitli durumlarını belirleyebilir. Bu tasarım, küçük boyut, düşük güç tüketimi ve düşük maliyet özelliklerine sahiptir ve işlevsel yükseltmeler elde etmek için mevcut akıllı saatlere yerleştirilebilir.
1 Genel hareket durumu tanıma şeması
1.1 Spor saati donanım tasarımı
Masa tenisi / badminton sporları durumu tanıma saatinin donanımı temel olarak altı bölümden oluşur: kontrol işlem çekirdeği STM32 tek çipli mikrobilgisayar, MPU6050 sensör modülü, BLE Bluetooth modülü, düğme modülü, ekran modülü ve güç yönetimi modülü. İzleme sisteminin çalışma prensibi şu şekildedir: Kontrol işleme çekirdeği STM32F103, IIC arayüzü aracılığıyla MPU6050'nin ivmeölçer ve jiroskop verilerini okur ve 3 eksenli Euler açısını hesaplamak için kuaterniyonu çıkarmak için dijital hareket işlemcisini (DMP) kullanır. Veri filtrelemeden sonra, ilgili tanıma algoritması hareket durumunu tanımak için kullanılır ve tanınan bilgiler OLED ekranında görüntülenir ve Bluetooth modülü aracılığıyla üst bilgisayara gönderilir. Her modülün işlevi aşağıdaki gibidir.
(1) Kontrol işleme çekirdeği: Tüm sistemin her modülünün çalışma durumunu, sensör verilerinin işlenmesini ve tanıma algoritmalarının gerçekleştirilmesini kontrol eden STMicroelectronics STM32F103C8T6'yı seçin. Bilekten takılan saatlerin boyut, hız ve güç tüketimi gereksinimlerini karşılayan hızlı bilgi işlem hızına, küçük boyuta, düşük güç tüketimine ve zengin çevre birimlerine sahiptir.
(2) Sensör modülü: Sensör, ivmeölçer ve jiroskopu entegre eden 6 eksenli bir sensör ve genişletilebilir bir DMP'den oluşan MEMS dijital sensör MPU6050'yi kullanır. Çoklu sensör çözümü ile karşılaştırıldığında, zaman ekseni farkını ortadan kaldırır ve hacmi azaltır. Sensör, verileri IIC arabirimi aracılığıyla mikro denetleyiciye iletir.
(3) BLE Bluetooth modülü: CC2541'in BLE Bluetooth seri port modülü seçilmiştir.BLE teknolojisi, düşük maliyet, düşük güç tüketimi ve kısa mesafe özelliklerine sahiptir. Bluetooth modülü, maksimum 2 Mbit / s aktarım hızını destekler ve çalışma akımı, sistem UART seri portu tarafından tasarlanan 115.200 bit / s baud hızı iletişim gereksinimlerini karşılayan 20 mA'dan azdır.
(4) Düğme modülü: Esas olarak mod seçimini ve saatin anahtarını tamamlar.
(5) Ekran modülü: 0,96 inç OLED ekran seçin, ekran ünitesi ışık yayabilir. Tam ekran açıkken güç tüketimi 0,08 W'tır ve Çince karakterlerin normal tam ekran gösterimi yalnızca 0,06 W'a ihtiyaç duyar, bu da saatin düşük güç tüketimi gereksinimlerine uygundur.
(6) Güç yönetimi modülü: 3,7 V lityum pili 5 V'a yükseltmek için TD8208 güçlendirme çipini kullanın ve ardından AP2125K-3,3 yongası aracılığıyla 3,3 V'a düşürün. Her iki güç kaynağı yongasında, diğer modüllerin güç yönetimini gerçekleştirmek üzere etkinleştirme terminallerini kontrol etmek için kullanılabilen çıkış etkinleştirme terminalleri bulunur.
Saatin donanım bağlantı şeması Şekil 1'de gösterilmektedir.
1.2 Spor saat sistemi durum tasarımı
Sistem tasarımı temel olarak 6 makine durumu, zaman görüntüleme durumu, mod seçim durumu, masa tenisi modu, badminton modu ve kendini tanıma modu ile ilgilidir.Her durum düğme seçimi ile değiştirilebilir. Durum geçiş diyagramı Şekil 2'de gösterilmiştir.
Şekil 2'den görülebileceği gibi, sistemin başlangıç durumu kapanma durumu olup, güç düğmesine uzun süre basılarak sistem açılarak zaman gösterme durumuna girilmektedir. Herhangi bir tuş seçimi yapılmazsa, sistem zaman görüntüleme durumunda kalacaktır. Seçim düğmesine basarsanız, sistem mod seçim durumuna geçecek ve ardından mod seçim düğmesine basarak ilgili çalışma moduna girecektir. Masa tenisi moduna veya badminton moduna girerseniz, kol sallama, raket, fore ve backhand hareketleri tanınacaktır. Kendini tanıma modu seçilirse, sistem önce mevcut egzersizin masa tenisi mi yoksa badminton mu olduğunu algılar ve ardından başarılı bir tanıma sonrasında egzersiz durumu tanıma için ilgili moda otomatik olarak atlar. Spor modunu yeniden seçmeniz gerekirse, sistemi zaman görüntüleme durumuna döndürmek için geri dönüş düğmesini kullanın ve modu seçmek için yukarıdaki seçim yöntemini tekrarlayın.
2 Hareket durumu tanıma algoritması tasarımı
Hareket durumu tanıma temel olarak dört bölümden oluşur: veri toplama, veri ön işleme, özellik çıkarma ve sınıflandırma ve tanıma. Tanımlama süreci ve yapısı Şekil 3'te gösterilmektedir.
2.1 Veri toplama
STM32F103C8T6 mikro denetleyici, MPU6050'nin ivme, açısal hız ve açı verilerini IIC arabirimi üzerinden okur ve temel veri toplamayı tamamlamak için toplanan verileri karşılık gelen dizilere tamponlar.
2.2 Veri ön işleme
Veri ön işleme 3 adımda tamamlanır, ardından yerçekimsel ivme ayırma, filtreleme ve yumuşatma ve veri pencereleme yapılır.
(1) Yerçekimi ivme ayrımı: İvme sensörünün orijinal veri çıkışı yerçekimi ivmesi bileşenini içerir ve X, Y ve Z eksenleri sabitlenir.Spor saati dönüp döndüğünde, yerçekimi ivmesi üç eksen için hızlanma bileşenleri oluşturur. Yerçekimi ivmesi bileşeninin neden olduğu paraziti önlemek için bu tasarım, sensör tarafından toplanan 3 eksenli ivmenin yerçekimi ivmesini ayırır. Yerçekimi ivmesinin ayrılması, yüksek geçişli bir filtreleme yöntemi kullanır ve çözüm formülü aşağıdaki gibidir:
Formülde, G, her eksenin yerçekimi ivmesi bileşenini temsil eder ve A, ivme sensörünün orijinal ölçüm değerini temsil eder. Yerçekimi ivmesi bileşenini çıkardıktan sonra, gerçek hareket tarafından oluşturulan ivme değerini elde etmek için yerçekimi ivmesi bileşenini ivme sensörünün orijinal değerinden çıkarın.
(2) Filtreleme ve yumuşatma: Veri yumuşatma ve filtreleme, gürültüyü ve anormal verileri filtrelemektir.Bu tasarım, filtrelemeyi yumuşatmak için sürekli kayan 20 noktalı ortalama değeri kullanır, yani 20 veri noktası kapasiteli bir FIFO ayarlanır ve FIFO'daki 20 veri Noktaların ortalama değeri yeni bir örnekleme noktası olarak alınır ve filtrelemeden sonra çıkarılan özelliklerin daha belirgin bir ayrımcılık vardır. Veri yumuşatmadan önceki ve sonraki dalga formu Şekil 4'te gösterilmektedir.
(3) Veri pencereleme: Bu tasarım, verileri pencerelere bölmek için dinamik bir pencere yöntemi kullanır. Pencere boyutu ayarı belirsiz bir parametredir. 3 eksenli hızlanma eşiği, deneyler aracılığıyla önceden ayarlanır. X, Y, Z'den herhangi biri olduğunda Eksen ivme değeri karşılık gelen eşikten büyük olduğunda açılış penceresi tetiklenir ve açma penceresini tetikleyen eksenin hızlanma değeri karşılık gelen eşikten küçük olduğunda pencere kapanır. Yani, sistem penceresi verileri yalnızca ivmenin eşik değerden daha büyük olduğu dönemde görüntüler. Hareket halindeyken yalnızca nispeten büyük ivmeler üretildiğinden ve sistem esas olarak hareket sürecinde farklı durumları tanıdığından, bu şekilde hareketsiz durumu tanımaya gerek yoktur ve tanıma hatalarını azaltır. Şekil 5'te bir dinamik hızlanma penceresi örneği gösterilmektedir.
2.3 Özellik çıkarma
Özellik çıkarma, pencerenin açıldığı zaman diliminde yoğunlaşır, esas olarak her eksen ivmesinin ana özelliklerini, açısal hızı, maksimum ve minimum açıları ve açıların integral alanını çıkarır.
Örnek olarak bir masa tenisi yatay tutuşunun fore ve backhand tarafı için bir veri seti alın. Şekil 6'da gösterildiği gibi, X ekseni açısal hızının minimum değeri forehand ve backhand salınımında önemli ölçüde farklıdır, bu nedenle X ekseni açısal hızının minimum değeri tanıma olarak kullanılır Forehand ve backhand'in önemli bir özelliği.
Bu tasarım, özellik olarak yalnızca maksimum, minimum ve integral alan olmak üzere üç istatistiği kullanır ve karmaşık zaman-frekans özelliklerini ve frekans-alanı özelliklerini kullanmaz. Bunun başlıca iki nedeni vardır:
(1) Deneyden sonra, maksimum değer, minimum değer ve integral alan olmak üzere üç özelliğin hareket durumunun tanınmasında daha ayırt edilebilir olduğu ve daha iyi bir tanıma etkisinin elde edildiği bulunmuştur;
(2) Bu saat, STM32 tek yongalı mikro bilgisayar platformu temel alınarak tasarlanmıştır ve kayan nokta hesaplama kapasitesi sınırlıdır, bu nedenle büyük miktarda hesaplama ile zaman-frekans özelliklerini ve frekans-alanı özelliklerini çıkarmak için uygun değildir.
Bu nedenle, bu tasarım zaman-frekans özelliklerini ve frekans-etki alanı özelliklerini kullanmaz, ancak önceki veri işlemeyi tanıma için önemli bir ön koşul olarak alır ve farklı hareket durumlarını sınıflandırmak ve tanımak için rastgele orman algoritması ile birleştirilen zaman aralığına dayalı dinamik pencereleme yöntemini kullanır. .
2.4 Sınıflandırma tanıma
Bu tasarımın donanım özelliklerine dayanarak, şu anda yaygın olarak kullanılan tanıma ve sınıflandırma algoritmalarını karşılaştırıp test ettik ve rastgele orman sınıflandırma algoritmasının bu sistemde yüksek hesaplama verimliliği ve tanıma doğruluğu özelliklerine sahip olduğunu bulduk, bu nedenle bu sistemin sınıflandırması olarak rastgele orman seçildi algoritması. Rastgele orman algoritmasının uygulama şematik diyagramı Şekil 7'de gösterilmektedir.
Çok sayıda test deneyiyle, nihayet bu tasarımın 8 maksimum ve minimum X ekseni açısal hızı, minimum X ekseni açısı ve integral alanı, minimum Y ekseni açısal hızı, maksimum ve minimum Y ekseni açısı ve maksimum Z ekseni açısal hızı seçtiği belirlendi. Bariz ayrımcılık içeren özdeğerler. Dinamik pencerede yukarıdaki 8 özellik her çıkarıldığında, çıkarılan özellikler her hareket durumunun özellik ağacına sıralı olarak yerleştirilir ve en çok uyan özelliklere sahip ağaç mevcut hareket durumu olarak tanımlanır.
Özellik aralığının ayarlanması için, bu tasarım profesyonel sporcuların antrenman verilerine dayanmaktadır Şekil 6'da gösterildiği gibi, yatay tahta kavramanın ön ve arka ellerinin karakteristik ağacı üzerindeki X ekseni açısal hız özelliği aralıkları sırasıyla verilmiştir. Diğer karakteristik aralıkların parametre belirleme yöntemleri yukarıdakiyle aynıdır, bu yüzden onları burada tekrar etmeyeceğim.
3 Testi izle
Bu test yöntemi, rastgele bir masa tenisi ve badminton amatör oyuncusu seçmek, bu saati ilgili sporlarda test etmek için kullanmak, esas olarak manuel tanıma sayısını ve ekipman tanıma sayısını kaydetmek ve hatayı analiz etmek için karşılaştırmalar yapmaktır. Spesifik test verileri Tablo 1 ve Tablo 2'de gösterilmektedir.
Deneysel sonuçlardan cihaz tanımlama ve sayma doğruluğunun% 90'ın üzerinde olduğu görülmektedir. Spor sırasında forehand salınım tanıma sayısı gerçek salınım sayısından fazladır, backhand salınım tanıma sayısı ise gerçek salınım sayısından daha azdır. Nedenin analizi, sistem dinamik pencere açılışının eşik değeri önceden ayarlanmış bir değer olduğundan, backhand salınımının eylem olduğu bulundu. Genlik nispeten küçük olduğunda, ivme değeri açılma eşiğine ulaşmaz, bu nedenle sayım gerçek sayıdan daha az olmalıdır. Backhand salınımının tanıma oranı, açılış eşiğini düşürerek iyileştirilebilir, ancak açılış eşiği çok küçük yapılamaz, aksi takdirde bileğin bazı hareketsiz durumları açılış penceresini tetikler ve tanıma hatalarına neden olarak forehand salınımlarının tanıma sayısını gerçek değerden çok daha fazla yapar. numara. Bu nedenle, pencere açma eşiğinin ayarlanması da tasarımın anahtarıdır. Bu sistemin eşiği masa tenisi modunda 1 m / s2 ve badminton modunda 1,2 m / s2'dir.
4. Sonuç
Bu makalede tasarlanan saat, düşük maliyetli, düşük güç tüketimli, küçük boyutlu ve masa tenisi ve badmintonun ana hareket özelliklerini belirlemede daha doğru olan STM32F103 + MPU6050 çözümünü benimser.Etki iyidir ve tanıma oranı% 90'ın üzerindedir. Saat, genel halkın uygulamasına uygundur ve daha fazla tanıtılabilir.
Referanslar
Mei Jiangyuan, Si Yulin, Gao Huijun. Çapraz kamera hareketli hedef tespiti ve tanıma Otomasyon Teknolojisi ve Uygulaması, 2011, 30 (11): 43-46.
EMMANUEL M T. Gerçek zamanlı aktivite tanıma ve enerji harcamasının tahmini için makine öğrenimini kullanma Cambridge: MIT, 2008.
Hu Xiaohua, Li Xiangpan, Qi Yangyang, et al. Giyilebilir insan duruş algılama sistemi tasarımı Elektronik teknoloji uygulaması, 2017, 43 (9): 13-16.
Peng Jiqun. İvme sensörüne dayalı insan hareket durumu tanıma üzerine araştırma Harbin: Harbin Teknoloji Enstitüsü, 2014.
Pan Jingkui. Human Movement Recognition and Comprehensive Analysis System. Shanghai: Donghua University, 2016.
KHAN A M, LEE Y K. Artırılmış sinyal özellikleri ve hiyerarşik tanıyıcı aracılığıyla üç eksenli ivmeölçer tabanlı fiziksel aktivite Tanıma IEEE İşlemleri Biyotıpta Bilgi Teknolojisi, 2010, 14 (5): 1166-1172.
Zhang Hao, Ye Yuhuang.Mikro-atalet sensörüne dayalı eğim ölçer tutum algoritması üzerine araştırma.Mikrobilgisayar ve Uygulama, 2017, 36 (1): 15-17.
Yu Xuexin. MPU6050'ye dayalı mikro-UAV AHRS tasarımı ve araştırması. Hohhot: İç Moğolistan Teknoloji Üniversitesi, 2016.
Tang Zhigui, Ran Qingze, Zhang Xuefeng ve diğerleri.OpenGL tabanlı masa tenisi robot kolunun ayrıştırılmış hızlanma simülasyonu. Journal of Anhui University of Technology, 2014, 31 (2): 167-172.
yazar bilgileri:
Guo Fuzhi, Du Hongmian, Li Xiaoshu, Qin Sichao, Ge Zhu
(Enstrüman Bilimi ve Dinamik Test Anahtar Laboratuvarı, Eğitim Bakanlığı, Çin Kuzey Üniversitesi, Taiyuan, Shanxi 030051)
