本發(fā)明涉及輕量級(jí)深度學(xué)習(xí)模型和傳感器數(shù)據(jù)處理，尤其涉及一種基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的飛速發(fā)展，其在各個(gè)領(lǐng)域的應(yīng)用日益廣泛，尤其是在體育動(dòng)作識(shí)別方面。目前，大型算力機(jī)器上部署的ai模型已經(jīng)能夠以較高的準(zhǔn)確度識(shí)別和分析人體動(dòng)作，為運(yùn)動(dòng)員的訓(xùn)練、健康監(jiān)測(cè)等場(chǎng)景提供了有力的技術(shù)支持。然而，在可穿戴設(shè)備領(lǐng)域，尤其是需要在離線環(huán)境下工作的設(shè)備上，現(xiàn)有技術(shù)往往面臨著性能和實(shí)時(shí)性的雙重挑戰(zhàn)。

2、在現(xiàn)有技術(shù)中，體育動(dòng)作識(shí)別通常依賴于復(fù)雜的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法，這些算法需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，并在高性能計(jì)算平臺(tái)上運(yùn)行以實(shí)現(xiàn)快速響應(yīng)。然而，當(dāng)這些算法應(yīng)用于可穿戴設(shè)備時(shí)，受限于設(shè)備的計(jì)算能力、電池容量和存儲(chǔ)空間，往往難以達(dá)到理想的效果。

3、現(xiàn)有的技術(shù)方案，如基于傳統(tǒng)機(jī)器學(xué)習(xí)的分類器或神經(jīng)網(wǎng)絡(luò)模型，雖然在某些情況下能夠?qū)崿F(xiàn)基本的動(dòng)作識(shí)別功能，但這些方案在離線環(huán)境下的性能往往受限于模型的復(fù)雜度和設(shè)備的硬件限制，而且強(qiáng)依賴圖像或視頻數(shù)據(jù)。

4、因此，現(xiàn)有技術(shù)存在缺陷，需要改進(jìn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法。

2、本發(fā)明的技術(shù)方案如下：提供一種基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，包括：訓(xùn)練階段及推理階段，其中：

3、訓(xùn)練階段的具體步驟為：

4、步驟a.1：將存儲(chǔ)于數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行全量數(shù)據(jù)處理；

5、步驟a.2：利用運(yùn)動(dòng)類型規(guī)則模型，對(duì)運(yùn)動(dòng)關(guān)鍵數(shù)據(jù)判斷其所屬的運(yùn)動(dòng)類型，作為數(shù)據(jù)的一列并發(fā)送給tabnet教師模型進(jìn)行訓(xùn)練；

6、步驟a.3：訓(xùn)練過程通過知識(shí)蒸餾方式遷移給同步訓(xùn)練的tabnet學(xué)生模型；

7、步驟a.4：將完成訓(xùn)練的tabnet學(xué)生模型部署在若干用戶的可穿戴設(shè)備上；

8、推理階段的具體步驟為：

9、步驟b.1：通過穿戴式設(shè)備采集用戶在進(jìn)行體育活動(dòng)過程中產(chǎn)生的運(yùn)動(dòng)數(shù)據(jù)；

10、步驟b.2：對(duì)穿戴式設(shè)備所采集到的數(shù)據(jù)進(jìn)行全量數(shù)據(jù)處理；

11、步驟b.3：利用運(yùn)動(dòng)類型規(guī)則模型，對(duì)所采集到的運(yùn)動(dòng)關(guān)鍵數(shù)據(jù)判斷其所屬的運(yùn)動(dòng)類型，作為數(shù)據(jù)的一列輸入到tabnet學(xué)生模型中，并結(jié)合訓(xùn)練階段中完成訓(xùn)練的tabnet學(xué)生模型一起進(jìn)行技術(shù)動(dòng)作識(shí)別輸出；

12、步驟b.4：tabnet學(xué)生模型結(jié)合生物力學(xué)模型，針對(duì)時(shí)序的動(dòng)作軌跡，進(jìn)行基于生物力學(xué)的分析和動(dòng)作建議與規(guī)劃。

13、進(jìn)一步地，所述tabnet教師模型與tabnet學(xué)生模型均由編碼器和解碼器組成，編碼器通過特征變換器和注意力變換器實(shí)現(xiàn)特征選擇和處理。

14、進(jìn)一步地，所述tabnet教師模型與tabnet學(xué)生模型采用sparsemax激活函數(shù)實(shí)現(xiàn)特征的稀疏選擇。

15、進(jìn)一步地，所述步驟a.4中，將完成訓(xùn)練的tabnet學(xué)生模型部署在不同的用戶的穿戴式設(shè)備中，根據(jù)多個(gè)穿戴式設(shè)備同步采集的數(shù)據(jù)進(jìn)行分析，為用戶提供團(tuán)隊(duì)合作動(dòng)作分析建議。

16、進(jìn)一步地，所述步驟b.4的具體步驟為：將部署于穿戴式設(shè)備中的tabnet學(xué)生模型結(jié)合生物力學(xué)模型，系統(tǒng)分析穿戴式設(shè)備所采集的用戶的運(yùn)動(dòng)姿態(tài)以及動(dòng)作軌跡，從而為用戶的動(dòng)作提供相應(yīng)的運(yùn)動(dòng)建議或?qū)\(yùn)動(dòng)損傷情況進(jìn)行預(yù)警。

17、進(jìn)一步地，所述tabnet學(xué)生模型的分析步驟為：所述tabnet學(xué)生模型通過特征變換器傳遞初始輸入特征以獲得初始特征表示，將初始特征表示作為注意力變換器的輸入，通過注意力變換器選擇一個(gè)特征子集傳遞到下一步；tabnet學(xué)生模型通過使用每個(gè)決策步驟的特征變換器輸出生成最終預(yù)測(cè)結(jié)果。

18、采用上述方案，本發(fā)明首先將收集的訓(xùn)練數(shù)據(jù)進(jìn)行全量數(shù)據(jù)處理，利用運(yùn)動(dòng)類型規(guī)則模型，對(duì)運(yùn)動(dòng)頻率等關(guān)鍵數(shù)據(jù)進(jìn)行判斷當(dāng)前數(shù)據(jù)為哪種類型的運(yùn)動(dòng)，作為數(shù)據(jù)的一列，并作為大寬表一起給tabnet教師模型進(jìn)行訓(xùn)練。tabnet教師模型具有復(fù)雜的多層網(wǎng)絡(luò)以及多參數(shù)的特點(diǎn)，可以更好的識(shí)別到技術(shù)動(dòng)作，并對(duì)模型進(jìn)行有效的訓(xùn)練。將完成訓(xùn)練的tabnet學(xué)生模型部署在若干用戶的可穿戴設(shè)備上。完成tabnet學(xué)生模型的部署后，在推理階段只需要使用tabnet學(xué)生模型對(duì)穿戴式設(shè)備所采集的運(yùn)動(dòng)動(dòng)作信息進(jìn)行識(shí)別，從而通過tabnet學(xué)生模型對(duì)運(yùn)動(dòng)類型與運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分析，以此提供相應(yīng)的運(yùn)動(dòng)建議。

技術(shù)特征：

1.一種基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，其特征在于，包括：訓(xùn)練階段及推理階段，其中：

2.根據(jù)權(quán)利要求1所述的基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，其特征在于，所述tabnet教師模型與tabnet學(xué)生模型均由編碼器和解碼器組成，編碼器通過特征變換器和注意力變換器實(shí)現(xiàn)特征選擇和處理。

3.根據(jù)權(quán)利要求1所述的基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，其特征在于，所述tabnet教師模型與tabnet學(xué)生模型采用sparsemax激活函數(shù)實(shí)現(xiàn)特征的稀疏選擇。

4.根據(jù)權(quán)利要求1所述的基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作是被方法，其特征在于，所述步驟a.4中，將完成訓(xùn)練的tabnet學(xué)生模型部署在不同的用戶的穿戴式設(shè)備中，根據(jù)多個(gè)穿戴式設(shè)備同步采集的數(shù)據(jù)進(jìn)行分析，為用戶提供團(tuán)隊(duì)合作動(dòng)作分析建議。

5.根據(jù)權(quán)利要求1所述的基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，其特征在于，所述步驟b.4的具體步驟為：將部署于穿戴式設(shè)備中的tabnet學(xué)生模型結(jié)合生物力學(xué)模型，系統(tǒng)分析穿戴式設(shè)備所采集的用戶的運(yùn)動(dòng)姿態(tài)以及動(dòng)作軌跡，從而為用戶的動(dòng)作提供相應(yīng)的運(yùn)動(dòng)建議或?qū)\(yùn)動(dòng)損傷情況進(jìn)行預(yù)警。

6.根據(jù)權(quán)利要求1或5所述的基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法，其特征在于，所述tabnet學(xué)生模型的分析步驟為：所述tabnet學(xué)生模型通過特征變換器傳遞初始輸入特征以獲得初始特征表示，將初始特征表示作為注意力變換器的輸入，通過注意力變換器選擇一個(gè)特征子集傳遞到下一步；tabnet學(xué)生模型通過使用每個(gè)決策步驟的特征變換器輸出生成最終預(yù)測(cè)結(jié)果。

技術(shù)總結(jié)
本發(fā)明公開一種基于知識(shí)蒸餾的可穿戴設(shè)備體育動(dòng)作識(shí)別方法。本發(fā)明首先將收集的訓(xùn)練數(shù)據(jù)進(jìn)行全量數(shù)據(jù)處理，利用運(yùn)動(dòng)類型規(guī)則模型，對(duì)運(yùn)動(dòng)頻率等關(guān)鍵數(shù)據(jù)進(jìn)行判斷當(dāng)前數(shù)據(jù)為哪種類型的運(yùn)動(dòng)，作為數(shù)據(jù)的一列，并作為大寬表一起給TabNet教師模型進(jìn)行訓(xùn)練。TabNet教師模型具有復(fù)雜的多層網(wǎng)絡(luò)以及多參數(shù)的特點(diǎn)，可以更好的識(shí)別到技術(shù)動(dòng)作，并對(duì)模型進(jìn)行有效的訓(xùn)練。將完成訓(xùn)練的TabNet學(xué)生模型部署在若干用戶的可穿戴設(shè)備上。完成TabNet學(xué)生模型的部署后，在推理階段只需要使用TabNet學(xué)生模型對(duì)穿戴式設(shè)備所采集的運(yùn)動(dòng)動(dòng)作信息進(jìn)行識(shí)別，從而通過TabNet學(xué)生模型對(duì)運(yùn)動(dòng)類型與運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分析，以此提供相應(yīng)的運(yùn)動(dòng)建議。

技術(shù)研發(fā)人員：荊東星,郭學(xué)威,彭英龍,趙耀,張清波
受保護(hù)的技術(shù)使用者：騰云悅智科技（深圳）有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9