一种基于深度学习的柔性智能轮椅冰壶监测系统

本发明涉及冰雪运动设备，具体而言，涉及一种基于深度学习的柔性智能轮椅冰壶监测系统。背景技术：1、传统轮椅冰壶运动监测手段主要依赖惯性传感器(加速度计和陀螺仪)、压力传感器、高速红外摄像机等设备用于获取运动员运动数据，这些监测设备有赖于提前为特定的运动员建立传感信息数据库,还需要进行一系列分析才能从传感数据中获取运动特征。此外这些设备存在传感器体积大、布置不灵活、需要外部电源供应、依赖人工数据处理，主观性强，不利于运动员日常运动数据采集等问题。2、teng作为一种新兴的微能源转换技术，基于摩擦起电和静电感应耦合效应，可以将外部环境中的机械能转化为电能，实现了自供电传感的新突破。其摆脱了对外部能源的依赖、实现了能量高效率转换、提高了能源使用的可持续性、满足了传感系统的小型化智能化需求，在运动监测、智能家居、智能可穿戴电子领域受到广泛关注与应用。3、在运动智能监测系统中，核心是采集运动数据，数据采集与处理技术的发展推动了运动智能监测系统的发展。深度学习是一类新的机器学习方法，与传统机器学习相同，是根据输入的数据进行分类或者回归等处理。但是深度学习一般会搭建成由非线性计算单元组成的多层级结构，低层级的网络的输出作为高层级的网络输入。此类结构往往可以在大量数据中提取出目标特征，而普通机器学习需要人为定义特征量，再针对所定义的特征量进行训练。因此深度网络可以完成浅层网络解决不了的复杂问题。深度学习神经网络经过多年的发展，现在已经有很多类型网络，选取合适的算法对轮椅冰壶运动员的动作进行识别和分类，通过训练深度学习模型，可以实现对不同动作和姿势的自动识别，帮助教练和运动员分析和改进动作技巧。具体来讲，首先需要进行数据采集，利用多传感单元收集轮椅冰壶运动员的投掷信息，如关节角度以及对应的动作技术等；其次采集到的数据进行预处理，包括分类、筛选以便后续的模型训练；接着，选择合适的深度学习模型，如cnn、rnn、knn等算法用于不同技术数据的识别与分类；后续进行特征提取和模型训练并进行分类识别；对训练好的模型进行评估，检查其对不同动作识别的准确率和稳定性；最后将训练好的模型进行实际监测应用，根据实际应用中的反馈信息，不断完善模型精度与效率，确保模型在实际应用中的科学性和可行性。4、所以，急需设计一种基于深度学习的柔性智能轮椅冰壶监测系统用以解决当前存在的问题。技术实现思路1、鉴于此，本发明提出了一种基于深度学习的柔性智能轮椅冰壶监测系统，旨在解决现有技术中的椅冰壶运动监测，传感器体积大、布置不灵活、需要外部电源供应、依赖人工数据处理，主观性强，不利于运动员日常运动数据采集的技术问题。2、本发明提出了一种基于深度学习的柔性智能轮椅冰壶监测系统，包括：3、信息收集模块，获取在投掷冰壶过程中的动力链信息；4、数据处理模块，用于根据所述动力链信息生成特征信息；5、数据分析模块，分析所述特征信息，并根据深度学习算法判断所述特征信息的标准等级，并生成调整信息；6、数据可视化模块，将所述特征信息进行第一可视化处理，将所述标准等级进行第二可视化处理，将所述调整信息进行第三可视化处理；7、训练计划模块，根据训练者所处的标准等级制定训练计划。8、优选的，所述信息收集模块，包括：9、供电模块，包括摩擦电纳米发电机；10、多模态传感器，所述多模态传感器设置在训练者的结构点处，所述结构点包括肩、肘、腕、髋关处，所述多模态传感器的最外层由肌效贴覆盖，摩擦层为pu sponge&ecof l ex薄膜和mxene/ptfe薄膜，电极为粘性铝箔，且所述多模态传感器的中部设置有第一标记点，所述标记点上设置有反光贴纸；11、定位传感器，设置在所述冰壶上，且所述冰壶的中部设置有第二标记点；12、红外线摄像机，用于捕捉所述第一标记点和第二标记点的实时位置。13、优选的，所述信息收集模块通过所述多模态传感器收集每一结构点处的局部压力、形变信息和肌肉状态，并生成动力信息，且通过所述第一标记点的实时位置的变化生成每一所述结构点在投掷冰壶动作中的角度和速度，并生成第一动态信息，将每一所述第二标记点的实时位置生成第二动态信息，将所述第一动态信息和所述动力信息进行配准生成所述动力链信息，其中，14、将每一所述结构点的动力信息和每一所述第一标记点的第一动态信息进行数据融合，完成第一配准，生成投掷动作链信息；15、当所述多模态传感器和所述红外线摄像机在进行数据采集时，添加时间戳，以记录数据采集的时间点，使用时间戳对所述投掷动作链信息和所述第二动态信息进行排序完成第二配准，所述第二配准用于确保多种类型的数据在时间上的同步。16、优选的，数据处理模块，用于根据所述动力链信息生成特征信息，包括：17、将所述动力链信息转化为投掷动态信息和冰壶轨迹信息，其中，18、当训练者确认开启训练动作，开始记录动力链信息；19、当训练者确认开启训练动作，且冰壶位置处于初始点位时的所有信息判断为投掷动态信息；20、当训练者确认开启训练动作，且冰壶位置处于实时改变状态时的所有信息判断为冰壶轨迹信息；21、冰壶位置从实时改变状态变换为静止时，判断为训练动作结束，关闭动力链信息的获取。22、优选的，数据处理模块，用于根据所述动力链信息生成特征信息，还包括：23、获取所述冰壶轨迹信息中的终点；24、通过评估所述冰壶轨迹信息中的终点与目标终点的差值，判断投掷的精准度，将所述冰壶轨迹信息和所述投掷的精准度生成第一特征，并对每一类型的数据设置第一权重qi，其中，每一所述第一特征的第一权重相累加的和是5；25、对所述投掷动态信息与冰壶轨迹信息的转化效率进行评估生成第二特征，并对每一类型的数据设置第二权重vi，其中，每一所述第二特征的第二权重相累加的和是1。26、优选的，所述数据分析模块，分析所述特征信息，并根据深度学习算法判断所述特征信息的标准等级，包括：27、计算标准系数ei，所述标准系数ei通过以下公式计算获得：28、29、其中，ei是第i动力链信息的标准系数，qi是第i第一特征的第一权重，ci是所述冰壶轨迹信息标准化后的系数，di是所述投掷的精准度标准化后的系数，ki是所述投掷动态信息与冰壶轨迹信息的转化效率标准化后的系数，vi第i第二特征的第二权重，30、其中，每一信息的标准化都对应一个预设的标准值，标准化后的系数代表第i信息与标准值的差值信息，当该信息与标准值越接近时，取值越大。31、优选的，数据分析模块，分析所述特征信息，并根据深度学习算法判断所述特征信息的标准等级，还包括：32、获取历史数据中的每一标准系数ei，将其与预先设定的第一训练等级系数e1和第二训练等级e2进行比较，其中e1＜e2，根据比对结果判断个人训练熟练度；33、当ei＜e1时，判断该训练者的第i次投掷的训练熟练度属于第一熟练度r1；34、当e1＜ei≤e2时，判断该训练者的第i次投掷的训练熟练度属于第二熟练度r2；35、当e2＜ei时，判断该训练者的第i次投掷的训练熟练度属于第三熟练度r3；36、其中，r1＜r2＜r3。37、优选的，数据分析模块，分析所述特征信息，并根据深度学习算法判断所述特征信息的标准等级，并生成调整信息，还包括：38、获取每一训练者属于第一熟练度r1的生成标准等级a1数据集合，获取每一训练者属于第二熟练度r2的生成标准等级a2数据集合，获取每一训练者属于第三熟练度r3的生成标准等级a3数据集合；39、对收集到的数据进行清洗和预处理；40、使用机器学习算法将其中每一所述标准等级ax数据集合中的所述第一特征和所述第二特征设置为待学习信息，其中x＝1，2，3，将所述动力链信息作为目标信息，逆向求解每一标准等级投掷在冰壶过程中的动力链信息中的每一子项信息所属的标准等级，根据每一所述子项信息所属的标准等级与其上升一级的标准等级对应的子项信息计算差值得到调整参数，整合每一所述调整参数，并将所述调整参数中的值从大到小进行排序生成调整信息。41、优选的，数据可视化模块，将所述特征信息进行第一可视化处理，将所述标准等级进行第二可视化处理，将所述调整信息进行第三可视化处理，包括：42、所述第一可视化处理包括，将所述特征信息转化为图表信息；43、所述第二可视化处理包括，将所述标准等级的信息转化为表格信息；44、所述第三可视化处理包括，将所述调整信息转化为视频。45、优选的，训练计划模块，根据训练者所处的标准等级制定训练计划，包括：46、获取训练者每一所述子项信息所属的标准等级记为sn，将其与预先设定的第一训练计划等级s1和第二训练计划等级s2进行比较，其中s1＜s2，根据比对结果判断针对第n子项制定的个人训练周期；47、当sn＜s1时，判断该训练者的第n子项制定的个人训练周期为第一周期y1；48、当s1＜sn≤s2时，判断该训练者的第n子项制定的个人训练周期为第二周期y2；49、当s2＜sn时，判断该训练者的第n子项制定的个人训练周期为第三周期y3；50、其中，y3＜y2＜y1。51、与现有技术相比，本发明的有益效果在于：52、通过信息收集模块获取投掷冰壶过程中的动力链信息，并通过数据处理模块生成特征信息。然后，数据分析模块使用深度学习算法对特征信息进行分析和判断，并生成相应的标准等级和调整信息。这样，训练者可以实时监测和分析其投掷冰壶的表现。53、通过数据可视化模块将特征信息、标准等级和调整信息进行可视化处理。特征信息可以以图表的形式展示，标准等级可以以表格的形式展示，而调整信息可以以视频的形式展示。这种可视化处理使得训练者更容易理解和解读系统提供的信息。54、根据训练者所处的标准等级制定个性化的训练计划。通过比较训练者的子项信息所属的标准等级与预先设定的训练计划等级，系统可以确定针对每个子项制定的个人训练周期。这样，训练者可以根据自己的水平和需求进行有针对性的训练。55、通过深度学习算法对特征信息进行分析和判断，可以准确评估训练者的投掷动作的精准度、动态信息转化效率等指标。基于这些评估结果，系统可以生成相应的调整信息，帮助训练者改进投掷动作，提高训练效果。56、采用多模态传感器进行信息收集，包括摩擦电纳米发电机。这些传感器可以收集训练者的局部压力、形变信息和肌肉状态等多种信息，从而更全面地了解训练者的投掷冰壶过程。57、总的来说，通过实时监测和分析、数据可视化、个性化训练计划等方式，可以帮助训练者更好地了解和改进其投掷冰壶的表现，从而提高训练效果。