[发明专利]一种基于动态赋权和灰色预测下的骨骼抖动检测方法

权利要求书

1.一种基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，所述方法包括：

S1、采集设定骨骼动作的历史运动数据，对所述历史运动数据利用距离公式进行动态切割，截取所述历史运动数据中对应骨骼动作的有效数据序列；

S2、采用分段幂函数对所述有效数据序列进行动态赋权处理，得到赋权数据序列，并基于所述赋权数据序列获取对应骨骼动作的第一规律性；

S3、采用灰度预测算法整合所述赋权数据序列，获取所述赋权数据序列对应的骨骼动作的第二规律性，基于所述第二规律性预测骨骼在1s～2s后的运动数据；

S4、基于所述历史运动数据设置人体运动所对应的骨骼运动阈值采用距离公式对所述运动数据预处理得到数据序列{Y_m}，Y_m＝Y_i,0≤i≤m，若则说明骨骼无抖动现象；否则，说明出现骨骼抖动。

2.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，所述历史运动数据由利用骨骼传感器采集的在骨骼传感器下三维坐标系表示人体肩部、肘部和腕部的实际坐标值构成。

3.如权利要求2所述的基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，步骤S1中所述预处理包括：通过灵敏度分析得到3s～4s的所述历史运动数据，以及对所有所述历史运动数据与图片数据的最后一帧之差做平方差，并设定一阈值，比较所述阈值与所述平方差得到值比较，去除所述历史运动数据中的无效数据。

4.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，所述步骤S2包括：通过公式计算第k个所述历史运动数据x的权重，并基于所述权重得到所述赋权数据序列。

5.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，所述步骤S3包括：

S31、判断所述赋权数据序列是否满足GM(1,1)灰色预测的可行性：

设定所述有效数据序列为x^o＝(x⁰(1),x⁰(2),...,x⁰(n))，并计算所述有效数据序列的级比

判断所有所述级比是否落在区间若所有所述级比均落在所述区间内，则转至步骤S32，否则进行数据变化处理；

S32、构建GM(1,1)灰色预测模型，通过所述GM(1,1)灰色预测模型累加所述赋权数据序列生成对应规律性：

假设所述赋权数据序列累加后为其中，x¹的灰导数为d(k)＝x⁰(k)；

获取所述赋权数据序列的邻值生成数列z¹(k)＝ax¹(k)+(1-a)x¹，基于所述邻值生成数列z¹(k)＝ax¹(k)+(1-a)x¹求得GM(1,1)的灰微分方程d(k)+az¹(k)＝b，其中，a和b为待求参数；

S33、通过回归方程求解所述灰微分方程d(k)+az¹(k)＝b分别获得a和b的估计值，并得到所述灰微分方程d(k)+az¹(k)＝b的最终解：实现对骨骼在1s～2s后的抖动的预测。

6.如权利要求5所述的基于动态赋权和灰色预测下的骨骼抖动检测方法，其特征在于，所述数据变化处理为平移变换。