基于多传感器的运动员训练信息融合分析系统设计

王思

摘   要：在运动训练过程中，采集工作是关系到运动员训练水平的关键。将多传感器的思想应用到信息融合技术上，通过多个传感器和摄像机分别对运动员的关键指标进行采集。前者是利用小波变换实现对人体表面肌电信号的特征提取，然后使用人工神经网络法对关键的特征的进行识别，得到初步人体运动评估结果。后者是对图像视频经过前景提取、特征提取、识别姿态及评估进行处理。提高了人体疲劳评估准确率，从根源上解决了传统系统的采集准确率地下的问题，经过科学指导，提高运动员训练水平，对于信息融合技术具有重要的作用。

关键词：传感器;信息融合技术;小波变换;神经网络模型;证据理论

中图分类号：TP24                                                文献标识码：A

Design of Athlete Training Information Fusion

Analysis System Based on Multi-sensor

WANG Si?

（Xi 'an  Medical University，Xi 'an，Shaanxi 710021，China）

Abstract：In the process of sports training，the collection work is the key to the training level of athletes. The idea of multi-sensor is applied to the information fusion technology. The key indicators of athletes are collected by multiple sensors and cameras. The former uses wavelet transform to extract the features of EMG signals，and then uses artificial neural network to identify the key features，and gets the preliminary results of human motion evaluation. The latter is to process the image video through foreground extraction，feature extraction，attitude recognition and evaluation. It improves the accuracy of human fatigue assessment，solves the problem of the traditional system's collection accuracy from the root，improves the training level of athletes through scientific guidance，and plays an important role in information fusion technology.

Key words：sensor;information fusion technology;wavelet transform;neural network model;evidence theory

在训练领域中，运动员的训练水平目前已经不能通过单一指标的传统评估方式预测，没有考虑到系统复杂的人体及环境因素。在运动训练过程中，人体呈现出随意性、多样性、复杂性、时变性的肢体运动状态[1]，从机器的角度来看，人体是通过很多形态各异的子系统构成的复杂系统，这些不同的子系统分别具有异特的功能特点，而且它们之间有联系，相互协调。运动员的行为具有复杂性的特征。

目前不少课题研究人体运动训练模型模拟远动员运动训练过程，一般情况下，运动员的训练数据包括步数、速度、加速度、心率等[2]，这些数据对运动水平具有一定的影响，但是，很少专家及学者研究肌肉活动在人体训练过程中的重要的作用，而且缺少对多种采集数据进行融合分析。因此，需要通过一定的技术对多种信息进行融合分析[3-9]。

20世纪70年代诞生了一种技术，这种技术把多种采集到数据通过融合方法进行有效的组合，这些融合方法包括神经网络、决策论、信息论、统计推理、证据理论等，能够根据一定的准则对数据进行分析，获得了可靠、准确率更高的预测结果，这就是多源信息融合技术。

为些，提出了基于多传感器的运动员训练信息融合分析技术，利用多传感器设备对许多训练特征数据进行采集，通过一定的融合技术进行有效的融合分析，并结合特定的规则来进行训练水平的评估，从而获得了准确率更高的评估結果。因此，针对提高运动员训练水平的问题，提出的技术方案具有重要的作用。

1   系统整体设计

将多源信息融合技术应用到运动员训练信息系统中，是为了获取人体运动过程的各方面参数，将这些参数进行融合分析，以提供行之有效并且有助于运动员锻炼的决策数据和技术指导。

特征层、特征融合层和决策层四层。从图上可以看出，科学训练技术指导或者运动水平都是通过以运动员人体运动过程的信息获取与处理为基础的进行融合分析得到的结果。因此本文的主要研究是如何获取运动员训练过程中的多目标多参数数据，进行有效的融合分析。

2   人体运动信息获取

人体运动过程中的信息本身是一个复杂的非线性过程的参数，它涉及到运动学、动力学、生理（肌电）学等等。不同的模型对应的惯性参数不同，利用摄像机获取人体运动学参数，利用力测试平台获取外力参数。

2.1   运动学信息获取

运动学参数主要通过高速摄像、三维录像等技术获取的[10-11]。

（1）高速摄影技术

由于拍摄方式不同，其摄像的测量范围也因此不同。在进行信息获取时，拍摄方式取决于运动员的训练项目。平面定机拍摄方式测量平面范围小，适用于在一个平面上被测体运动过程中的项目，比如跳远、起跳等项目。平面跟踪拍摄方式测量范围小，比定机拍摄方式大，由于被测体无法一直保持匀速直线运动，难免出现与摄像机速度不同，得到有误差的测量结果，一般适用于周期距离长、测量范围大的运动项目。立体定机拍摄方式主要是从不同的角度同时来拍摄同一个被测体运动过程，摄像机台数至少有两台才能进行同时拍摄，对从不同角度的摄像机同时获取的图形进行数字化，得到的运动参数，可适用于铅球等运动项目。

（2）三维录像技术

三维录像技术是利用三维空间重构原理进行的，信息采集人员可以站在稳定不变的位置所设置的两台以上摄像机来拍摄，通过直线线性变换算法获得的三维空间坐标，做一个至少6个已知坐标点的高精度的标定框架，摄像机角度差一般为90度。该拍摄方式测量空间大，结构简单，适用于体操、球类、田径等运动项目。

2.2   动力学信息获取

在运动过程中，可通过传感器获得动力学信息，对运动分析有重要的影响。动力学参数一般包括人体位移、足底压力、关节力、角度、加速度等，可通过力传感器、位移传感器、速度传感器、加速度计、惯性式传感器、测角仪获取。目前研究院所开发了的六维力测试平台，该平台可分成力传感器、信号处理模块和计算机模块三大模块，测量面积大，还可以同时获取力柜数据和三维空间数据。

2.3   肌电信息获取

肌电图是神经及肌肉在运动过程中会释放出微弱的电信号，经过处理得到的图形。通过肌电测量仪器根据肌电电极来获取人体肌肉的舒张和收缩程度等数据，经过处理过的肌电图分析，对运动员进行科学指导，提高训练水平。由于电极对象不同，可以将肌电信号分为表面肌电和针电极肌电，在运动训练期间，大多利用表面肌电检测的形式，是因为这种方式对人体没有产生的损害，仅仅测量人体肌肤表面上的肌电数据。

3   运动图像的运动评估

利用混合的高斯模型对从摄像机获取的运动图像进行前景图像提取处理[13-14]，消除噪声干扰和虚假目标，获得的所有被测体的移动目标图像。然后跟踪、利用视频播放出现的不同帧的图像，然后提取这些图像的特征点，对这些图像特征点进行识别和分析。

3.1   前景图像提取过程

利用一定的算法根据图像上的每个像素计算每个高斯分布作为前景的概率大小，根据权重与标准差对每个高斯模型进行排序，最后得到了前景图像。

公式（1）为混合高斯模型公式，在时间 时间点处，能够提取图像中的像素，该像素可以为前景的概率大小。

在上式中，K为模型的个数，一般取为3，It（x，y）为t时刻的像素值，κ∑i，t为协方差矩阵，∑i，t = σ2I，σ2为方差，I为三维单位矩阵，μi，t为均值，ωi，t为t时刻第i个高斯的权重。

高斯分布的概率密度公式 如式（2）所示

将模型按式（3）的值大小进行排序，然后将排序后的每个值与式（4）进行匹配。

假如匹配成功，那么需要更新高斯分布的参数，如式（5）为高斯分布的更新算法，α为学习率。

假如不匹配成功，那么p为0，需要按照式（6）进行更新。

为了消除在提取结果过程中受到复杂环境引起的影响，需要对学习率进行更新，将帧间差分法的思想应用到学习率，并且提出了新型的学习率更新方法，这种方法能够提高背景模型的稳定性。并且能够将帧间差分法的思想运用到学习率。

如式（7）所示，通过帧间差分方法获得第 帧与第i - 1帧图像之间的像素差。

将D（x，y）与像素个数S按式（8）所示进行比较，计算相应的学习率。

将排序前面的高斯分布为前景的公式如下：

式（9）中，T为像素概率分布中混合背景高斯成分占的最小比例的值，本文取值为0.7。

3.2   特征提取

在运动员训练过程中，将摄像机获取的视频进行前景提取图像，需要通过一定的算法对被测体的每帧图像的特征点进行追踪。本文利用Shi-tomasi算法应用到前景图像提取特征中，设置一个窗口，根据灰色值是否判定图像中的角点是否为特征点。

然后构建正方形窗口W，該窗口的长度为n×n，然后假设窗口中心的点坐标为（x，y），I（x，y）为（x，y）处的图像灰度值。设窗口向左平移长度为Δx，向上长度为Δy个，那么灰度值计算公式如（9）所示。

经过当前灰色值计算后，对I（x+Δx，y+Δy）进行矩阵形式展开，如式（11）所示。

式中，ω（x，y）为特定的高斯滤波器，Ix ，Iy为图像，x，y方向的偏导数。

在点（x，y）处，当窗口的位置向每个方向位移之后，如果该窗口的灰色值变化不大，则图像中的区域该为平摊区域。反之，该点（x，y）为特征点，则表示该点追踪成功。

3.3   识别及评估结果

以跑步和走路为例，通过支持向量机对在训练过程中的视频里被测体姿态进行识别，判断被测体是否出现疲劳的现象，最终得到人体运动状态的初步评估结果。当被测体的跑步速度缓慢時，逐渐趋于走路状态，说明这个被测体处于疲劳状态。

以走步为例，假设在时间t内识别出被测体走路的次数，对人体的疲劳评估公式如下：

式中，n为走路姿态次数，F为非疲劳值得概率值，P为人体疲劳的概率值。

4   肌电信号评估

将信息融合技术应用于肌电信号评估[15-16]， 利用小波变换法和神经网络法对目标特征数据进行处理并识别。如图2所示，将从传感器得到数据（表面肌电信号）进行标准化，经过算法进行关联特征融合，最终得到的初步评估初步结果。

评估步骤如下：

（1）利用传感器感测人体表面肌电信号，并将得到的信号分段处理，得出样本数据。

（2）得到样本数据后，经过滤波降噪处理。

（3）利用小波变换原理对得到的表面肌电信号进行处理，在利用小波变换原理时，可采用适合的小波基实施小波变换，进而输出表面肌电信号的计算结果。

（4）对处理结果进行能量筛选，对信号进行提取小波系数，转换成特征向量。

（5）人工神经网路法对多组特征向量进行分析并处理，得到了初步评估结果。

4.1   基于小波变换的特征提取

本研究借助于小波变换原理处理人体运动中的表面肌电信号，小波信号处理结束后，又利用人工神经网络算法，对人体运动中的表面肌电信号进行再次评价。

在采集运动过程期间表面肌电信号时，在人体肌肉疲劳之后，有必要记录肌电数据，当肌肉出现疲劳之前，也需要记录肌电数据，分析数据变化。以单位长度为1 min对数据进行分段，接着再分成60个1 s的数据组成数据组。

怎样筛选恰当的小波基将表面肌电信号实施小波变换也是比较重要的[17-19]，小波变换公式的使用过程如下：

（1）设?（t）基小波，时域积分为0，如（13）公式所示。

（2）将?（t）基小波经过平移和放缩处理后得到的Φ（a，τ）。

（3）将小波基替换傅里叶变换公式的基函数后，得到的公式如下：

目前有几种小波基[20]，比如Symlets、Meyer、Dauechies、Haar、Morlet等小波，经过基函数特征分析，小波变换的基函数选取为Dauechies小波。

在运动员训练运功期间，需要识别运动员的表面肌电信号，然后对该信息进行特征信息提取，从特征信息中提出特征向量，将这些特征向量输入至神经网络，基于神经网络能够生成识别出的信号。

对表面肌电信号进行多尺度小波分解，每个尺度分解的级别有高低，表面肌电信号能量越强，小波分解系数的绝对值越大，影响信号重构的程度越高。以每级小波系数的绝对值的最大值作为特征参数，最终形成特征向量。

设E为表面肌电信号的能量值，在1 s内，对肌电信号进行截取，在t0时刻t秒内，能量变化公式如下：

4.2   基于人工神经网络的疲劳评估

如图3所示，本文研究的人工神经网络[21]分三个层级，即输入层与输出层中间加一个隐含层。

将前文所述的特征向量（该向量通过小波变换法获取）作为神经网络输入层的节点进行输入。输出层仅仅需要一个可输出两种工作状态的节点，分别是疲劳状态和非疲劳状态。在上述的神经网络计算过程中，需要用到不同的神经网路传递函数，比如tan-sigmod型和log-sigmoid型等，在本研究中，该神经网路传递函数为tan-sigmod型，tan-sigmod型函数输出两种不同的状态，即 0和1。

确定隐含层的节点数是人工神经网络的关键，对识别评估有重要的作用，可按式（15）公式确定隐含层节点数。

式中，n为隐含层节点数，m为自定义变量，n1，n2分别为输入层、输出层的节点数。

5   决策级的运动评估

利用信息融合技术将多个传感器获取的数据进行融合分析。如图4所示，首先对传感器数据进行处理并提取特征，得到初步评估结果，将多个初步结果进行决策级融合处理，最终得到了决策级运动评估结果。

将运动图像评估结果与基于传感器的初步评估结果通过信息融合技术进行关联，最终得到的人体运动疲劳的决策级评估结果。信息融合方法有神经网络、决策论、信息论、统计推理、证据理论等。证据理论比较适用于事件出现的不确定性概率场合[22]，具有灵活性。

假设证据的基本概率赋值为运动图像疲劳评估值和肌电信号疲劳评估值，组成概率分布，输入状态有4种，非疲劳（A）、疲劳（B）、非疲劳或疲劳（C）、空（O）。

设阈值符号为a，当决策结果大于a，则处于初步评估结果状态，当决策结果小于a，则说明初步评估结果不正确。m为证据理论的基本概率赋值，m1为运动图像的疲劳评估赋值，m2为表面肌电信号的疲劳评估赋值，决策结果只有非疲劳和疲劳两种，决策结果计算公式如下：

6   检测试验及分析

选身体健康的人员作为实验对象，分别对被测体运动之前、运动过程中未出现疲劳之前、运动过程中出现疲劳后以及运动结束后进行记录图像视频和传感器数据。

对运动过程中实验对象的1分钟视频进行姿态识别，获得了801次走路姿态，经过计算，运动图像的非疲劳率为0.2，疲劳率为0.8。

选美国的delsys设备作为采集设备，电池工作时间可持续40小时数，4通道，采样频率512 Hz，分辨率为12 bit，这种设备能够进行远距离无线传输。

本研究选取了不同的测试点进行试验，测試点为四块肌肉，更具体为分别为大腿背面股二投肌、股直肌、股内侧肌、股外侧肌。波形图如图5所示，该波形图为截取1秒内采集的四通道数据：

对四通道原始数据进行小波变化，得到处理过的波形图如图6所示：

当小波变换后的四通道数据输入到人工神经网络识别，非疲劳率为0.06，疲劳率为0.94。

如表1所示，实验的决策次评估结果为疲劳。

在运动过程中，对实验对象的心率数据、运动图像数据、表面肌电信号数据进行采集，经过多次实验，本研究的系统所得出了评估结果更为准确，更加科学。

7   结   论

基于多传感器的思想提出了运动员训练信息融合分析系统技术，并在传感器采集的基础上结合小波变换法、人工神经网络法和证据理论，提高信息融合后得出的人体评估结果准确率，克服了传统采集准确率低的技术问题，经过科学指导，提高了运动员的训练水平。

参考文献

[1]    刘凯. 功能动作筛查在游泳运动员体能训练中的运用[D]. 北京体育大学，2013（1）：4-52.

[2]    腾珂.基于可穿戴式传感器的多特征步态分析系统设计与研究[D]. 合肥工业大学，2016（3）：10-58.

[3]    张云峰，卢灿举，李超. 多源信息融合软件的设计与实现[J]. 无线互联科技，2016，（6）：54-55.

[4]    董永. 基于多源信息融合的机器人控制模态设计[D]. 大连理工大学，2016.

[5]    雷静，余斌. 基于信息融合和神经网络的煤岩识别方法[J]. 工矿自动化，2017，43（9）：102-105.

[6]    刘海峰，张超，罗江，等.网络信息体系中的信息融合与挖掘技术研究[J]. 指挥与控制学报，2016，2（04）：329-337.

[7]    刘宗梅，李克蕾. 运动训练信息管理系统的研究与设计[J]. 现代电子技术，2017，40（09）：54-57

[8]    韩义波，张政，唐丙寅. 基于三维地理信息的舰船输电通道多源信息融合技术研究[J]. 舰船科学技术，2017，39（14）：70-72+99.

[9]    李明. 多源信息融合技术发展简述[J]. 舰船电子工程，2017，37（06）：5-9.

[10]  胡琼，秦磊，黄庆明.基于视觉的人体动作识别综述[J].计算机学报，2013，36（12）：2512-2523.

[11]  孙宏国，李天然，蒲宝明，等. 复杂背景下人体检测算法[J]. 计算机系统应用. 2013，22（4）：136-139.

[12]  张杰，吴剑章，汤嘉立，等. 基于时空图像分割和交互区域检测的人体动作识别方法田[J]. 计算机应用研究.2017，34（1）：302-305.

[13]  魏燕欣，范秀娟.基于GMM的人体运动姿态的追踪与识别[J]. 北京服装学院学报（自然科学版），2018（2）.42-49.

[14]  刘鑫，刘辉，强振平. 混合高斯模型和帧间差分相融合的自适应背景模型[J]. 中国图象图形学报.2008.13（4）：729-734

[15]  孙光民，闰正祥，张俊杰，等. 基于表面肌电信号双谱分析的动作分类[J]. 北京工业大学学报，2017，43（7）：1045-1050.

[16]  贾谊，薛瑞婷，魏亮. 人体快迷起跳动作的下肢表面肌电信号特征研究[J]. 中国体育科技，2017，53（2）：64-70.

[17]  于亚萍，孙立宁，张峰峰，等. 基于小波变换的多特征融合sEMG模式识别[J]. 传感技术学报，2016，29（4）：512-518.

[18]  刘海江，李敏，黄伟，等. 基于小波变换的整车驾驶性评价信号去噪[J]. 噪声与振动控制，2018 .38（1）：103-108

[19]  马天兵，王孝东，杜菲，等. 基于小波包和BP神经网络的刚性罐道故障诊断[J]. 工矿自动化，2018，44（8）：76-80.

[20]  郝建新. 基于小波变换与Retinex的电路板红外图像增强技术[J]. 红外技术，2015，（12）：1036-1040.

[21]  孙慧影，林中鹏，黄灿，等. 基于改进BP神经网络的矿用通风机故障诊断[J]. 工矿自动化，2017，43（4）：37-41.

[22]  韩立岩，周芳. 基于D-S证据理论的知识融合及其应用[[J].北京航空航天大学学报，2006，32（1）：70-73.