[发明专利]一种计算颠球个数的方法

权利要求书

1.一种计算颠球个数的方法，其特征在于，实时接收传感器获得的数据，当接收的数据达到符合触球弹跳动作的最大时间，计算弹跳特征值，首次触球弹跳条件为Feature(n)大于预设的弹跳阈 值，并且腾空后的t(n+i)时刻的加速度变化率均为零，其中，i＝1,2,3，……；当触球使球腾空后，弹跳特征值满足首次触球弹跳条件，则第一次颠球成功并计数，判断弹跳特征值是否符合预设的触球弹跳条件；如果是，则计算特征值，判断是否为踢击特征或落地特征；如果是，则判断是否为踢击特征；如果是，则判断上一个强特征是否为强踢击特征；如果是，则判定此次弹跳包含之前所有特征皆为强踢击特征，当弹跳特征值不符合预设的触球弹跳条件，判断是否处于颠球过程，如果已开始颠球或已完成一次颠球，则结束颠球计数；如果未开始颠球或未完成一次颠球，则等待下一次弹跳动作发生。

2.根据权利要求1所述的一种计算颠球个数的方法，其特征在于，当计算特征值后，判定为不是踢击或落地特征，则结束判定流程。

3.根据权利要求1所述的一种计算颠球个数的方法，其特征在于，当判断上一个强特征不是强踢击特征时，则将此次弹跳前后两次弹跳之间n笔传感器接收到的加速度及角速度值带入神经网络计算，归类为是否为弱落地特征或是弱踢击特征，并结束判定流程。

4.根据权利要求1所述的一种计算颠球个数的方法，其特征在于，当判断为不是踢击特征时，则判断为落地特征，并往前查看上一个强特征是否为强落地特征，如果是，则判定此次为弹跳强落地特征，并结束判定流程。

5.根据权利要求4所述的一种计算颠球个数的方法，其特征在于，若往前查看上一个强特征不是落地特征，则将此次弹跳前后两次弹跳之间n笔传感器收到的加速度及角速度值带入神经网络计算，归类为是否为弱落地特征或是弱踢击特征，并结束判定流程。

6.根据权利要求1至5任一所述的一种计算颠球个数的方法，其特征在于，对弹跳特征值中的球的加速度进行计算，弹跳特征值具体为：

其中，tst为触球开始时刻，ted为触球结束时刻，dⁱ_a(n)、dⁱ_a(n-k)分别是加速度a(n)、a(n-k)关于时间t(n)、t(n-k)的i阶导数，分别表示第n次、第n-k次的基于传感器获得的加速度的加速度变化率，t(n)是dⁱ_a(n)的发生时刻，t(n-k)是dⁱ_a(n-k)的发生时刻；k＝1,2,3，……。

7.根据权利要求1所述的一种计算颠球个数的方法，其特征在于，计算特征值，判断是否为踢击特征或落地特征，具体步骤如下：

步骤a：接收传感器在两次弹跳发生之间的加速度值及角速度值，其加速度值及角速度值的采集频率为100Hz；

步骤b：获取其中最大角速度值及最小角速度值，判断两者的差异是否大于第一角速度阈值，以及最小角速度值是否低于第二角速度阈值，若是，则判定此次弹跳为强落地特征，进入步骤c；

步骤c：获取在此次弹跳前后n笔数值，获取其中最大角速度值和最小角速度值，判断两者的差异是否大于第一角速度阈值，若是，则判定此次弹跳为弱落地特征，进入步骤d；

步骤d：在步骤a中，获取其中最大加速度数值以及两次弹跳之前的最接近一次弹跳最大的加速度数值，判断两者的差异是否大于第一加速度阈值，以及此次最大角速度值是否高于第一角速度阈值，若是，则判定此次弹跳为强踢击特征，进入步骤e，

步骤e：判断此次弹跳距离上次弹跳时间是否大于第一时间阈值，若是，则判定此次弹跳为强落地特征值，结束特征值判断。

8.根据权利要求3或5所述的一种计算颠球个数的方法，其特征在于，则将此次弹跳前后两次弹跳之间p笔传感器收到的加速度及角速度值带入神经网络计算，归类为是否为弱落地特征或是弱踢击特征。前后两次弹跳之间p笔传感器收到的加速度及角速度值具体如下：

前一笔弹跳时最大加速度，

前一笔弹跳时最小角加速度，

前一笔弹跳时最大角加速度，

前一笔弹跳时姿态，

前一笔腾空时最小角加速度，

前一笔腾空时最大角加速度，

前一笔腾空时最小加速度，

前一笔腾空时最大加速度，

前一笔前后弹跳的时间，

后一笔弹跳时最大加速度，

后一笔弹跳时最小角加速度，

后一笔弹跳时最大角加速度，

后一笔弹跳时姿态，

后一笔腾空时最小角加速度，

后一笔腾空时最大角加速度，

后一笔腾空时最小加速度，

后一笔腾空时最大加速度，

后一笔前后弹跳的时间，

其中姿态的表现方式采取为四元数，其计算方式如下：

q_t＝[q_w,t,q_x,t,q_y,t,q_z,t],

ω_t＝[0,ω_x,t,ω_y,t,ω_z,t],

q_t为在时间t时的四元数，q_w,t为q_t的标量值，q_x,t，q_y,t与q_z,t为q_t的矢量值，ω_x,t，ω_y,t与ω_z,t分别为在时间t时的三轴角速度，Δt时间t与时间(t-1) 之间的差距，为在时间t时四元数的变化率，q_A×q_B为四元数的乘法操作并定义为：

以上总共p笔数据为神经网路的输入资料，p為24。该传感器信号校正神经网络采用反向传播算法训练，首先定义w_mi,nj为第m层第i个神经元与第n层第j个神经元连接的权重植。利用反向传播算法迭代的计算出最佳权重值:

w_mi,nj(k)＝w_mi,nj(k-1)-△w_mi,nj(k),

其中:k为迭代次数并设定最高迭代次数为50，μ为动量常数并设定为0.5，α为学习速率并设定为0.01，E为损失函数并设定为平方损失函数；

隐藏层(hidden layer)中的神经元设置为10个，其根据(eq 1)输出为

批标准化层(batch normalization layer)中根据(eq 2)输出为y₁,y₂,...y₁₀,其中参数m设定为5，输出方式为：

通过激活函数为S函数(eq 3):后输出为

最后由根据(eq4)的公式算出两个结果Y_o跟Y_j：

由Y_o跟Y_j得出的结果为落地跟踢击的机率，如果Y_o小于0.5，则表示落地不成立；Y_j小于0.5，则表示踢击不成立。