本發(fā)明涉及足球動作分析，具體是指一種基于深度學習的足球運動動作識別方法及系統(tǒng)。

背景技術(shù)：

1、基于深度學習的足球運動動作識別方法利用傳感數(shù)據(jù)，如加速度計、陀螺儀等設(shè)備采集的運動數(shù)據(jù)，通過深度學習模型對這些傳感數(shù)據(jù)進行分析，該方法能夠精準識別并分類足球運動中的各種動作的傳感指標，如傳球、射門、跑動等，其作用在于提高運動員訓練和比賽的分析效率，為戰(zhàn)術(shù)制定、運動表現(xiàn)評估及傷病預防提供科學依據(jù)。

2、但是，在已有的足球運動動作識別法中，存在著傳統(tǒng)方法常聚焦于圖像動作識別，而基于傳感數(shù)據(jù)的足球動作識別面臨原始數(shù)據(jù)質(zhì)量較差，影響后續(xù)預測任務(wù)的準確性技術(shù)問題；在已有的足球運動動作識別中，存在著足球運動動作的數(shù)據(jù)變化較為頻繁且在實際的動作識別中，數(shù)據(jù)源要考慮實時的運動動作過程，進而必須保證結(jié)果的連續(xù)性，而傳統(tǒng)的時序數(shù)據(jù)預測模型雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，在輸出時一般采用非線性激活函數(shù)激活，這一方法提升了準確性但影響了最終結(jié)果的連續(xù)性，導致預測結(jié)果的可用性反而降低的技術(shù)問題；在已有的足球運動動作識別中，存在著單純的傳感動作識別方法只對傳感動作的結(jié)果進行預測，無法直觀的為動作識別乃至足球運動的整個過程提供支持，進而降低了方法本身的可參考性的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于深度學習的足球運動動作識別方法及系統(tǒng)，針對在已有的足球運動動作識別法中，存在著傳統(tǒng)方法常聚焦于圖像動作識別，而基于傳感數(shù)據(jù)的足球動作識別面臨原始數(shù)據(jù)質(zhì)量較差，影響后續(xù)預測任務(wù)的準確性技術(shù)問題，本方案創(chuàng)造性地采用基本預處理結(jié)合動態(tài)時間窗口特征提取和融合的方法進行數(shù)據(jù)優(yōu)化處理，通過噪聲增強、平移和縮放，提升了數(shù)據(jù)的類平衡性和數(shù)據(jù)質(zhì)量，并通過動態(tài)時間窗口特征檢測提取和后續(xù)的特征融合，進一步提升了特征數(shù)據(jù)的質(zhì)量，為后續(xù)的預測提供良好的數(shù)據(jù)基礎(chǔ)；針對在已有的足球運動動作識別中，存在著足球運動動作的數(shù)據(jù)變化較為頻繁且在實際的動作識別中，數(shù)據(jù)源要考慮實時的運動動作過程，進而必須保證結(jié)果的連續(xù)性，而傳統(tǒng)的時序數(shù)據(jù)預測模型雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，在輸出時一般采用非線性激活函數(shù)激活，這一方法提升了準確性但影響了最終結(jié)果的連續(xù)性，導致預測結(jié)果的可用性反而降低的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合自注意力機制的輸出激活移除雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，通過結(jié)合自注意力機制優(yōu)化特征捕獲能力，并通過移除輸出層的激活函數(shù)，提升了預測結(jié)果的連續(xù)性，并提升了方法整體的可用性；針對在已有的足球運動動作識別中，存在著單純的傳感動作識別方法只對傳感動作的結(jié)果進行預測，無法直觀的為動作識別乃至足球運動的整個過程提供支持，進而降低了方法本身的可參考性的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合強化學習的集成差分進化算法，既優(yōu)化了初始預測模型，也進一步訓練得到了動作策略優(yōu)化模型，從而能夠自適應(yīng)的為足球運動動作識別的結(jié)果適配相應(yīng)的動作方案參考和支持，使得整個方法的輸出更為直觀和可靠。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于深度學習的足球運動動作識別方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)測量采集；

4、步驟s2：優(yōu)化數(shù)據(jù)處理；

5、步驟s3：傳感動作識別；

6、步驟s4：動作策略優(yōu)化；

7、步驟s5：自適應(yīng)反饋調(diào)整。

8、進一步地，在步驟s1中，所述數(shù)據(jù)測量采集，用于收集足球運動動作識別所需的基本數(shù)據(jù)集，具體為通過傳感器和慣性測量器進行數(shù)據(jù)測量，并采集得到足球運動動作識別原始數(shù)據(jù)；

9、所述傳感器，具體包括足底壓力傳感器和肌電圖傳感器；

10、所述慣性測量器，具體用于檢測進行足球運動期間的加速度和角速度數(shù)據(jù)；

11、所述足球運動動作識別原始數(shù)據(jù)，具體包括足底壓力數(shù)據(jù)、肌電圖數(shù)據(jù)和姿態(tài)運動數(shù)據(jù)。

12、進一步地，在步驟s2中，所述優(yōu)化數(shù)據(jù)處理，用于對原始數(shù)據(jù)進行數(shù)據(jù)優(yōu)化處理，具體為對所述足球運動動作識別原始數(shù)據(jù)進行數(shù)據(jù)增強和時間窗口增強，得到優(yōu)化足球動作數(shù)據(jù)。

13、進一步地，在步驟s3中，所述傳感動作識別，用于構(gòu)建應(yīng)用于傳感數(shù)據(jù)的足球運動動作識別的深度學習模型，具體為依據(jù)所述優(yōu)化足球動作數(shù)據(jù)，采用結(jié)合自注意力機制的輸出激活移除雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，進行預測模型構(gòu)建，得到足球動作識別初始模型；

14、所述結(jié)合自注意力機制的輸出激活移除長短期記憶神經(jīng)網(wǎng)絡(luò)，具體包括雙向長短期記憶層、注意力層和優(yōu)化輸出層；

15、所述雙向長短期記憶層，用于作為數(shù)據(jù)預測的基本模型；

16、所述注意力層，用于優(yōu)化足球動作的步態(tài)特征的學習效果；

17、所述優(yōu)化輸出層，用于移除輸出層的非線性激活函數(shù)并進行預測結(jié)果的連續(xù)性優(yōu)化；

18、所述采用結(jié)合自注意力機制的輸出激活移除長短期記憶神經(jīng)網(wǎng)絡(luò)，進行預測模型構(gòu)建，得到足球動作識別初始模型的步驟，包括：

19、步驟s31：構(gòu)建雙向長短期記憶層，具體為通過分別構(gòu)建前向長短期記憶子網(wǎng)和后向長短期記憶子網(wǎng)，進行雙向隱藏狀態(tài)計算和合并，得到合并隱藏狀態(tài)輸出；

20、步驟s32：構(gòu)建注意力層，具體包括以下步驟：

21、步驟s321：計算注意力得分；

22、步驟s322：注意力權(quán)重歸一化；

23、步驟s323：計算上下文向量；

24、步驟s324：注意力層構(gòu)建，具體為通過所述計算注意力得分、所述注意力權(quán)重歸一化和所述計算上下文向量，優(yōu)化模型從時序數(shù)據(jù)中捕捉特征的性能，構(gòu)建得到所述注意力層；

25、步驟s33：構(gòu)建優(yōu)化輸出層，用于增強足球運動動作識別的時序連續(xù)性，具體為通過移除傳統(tǒng)雙向長短期記憶子網(wǎng)輸出門中的非線性激活函數(shù)，進行輸出層優(yōu)化；

26、步驟s34：傳感動作識別模型訓練，具體為通過所述構(gòu)建雙向長短期記憶層、所述構(gòu)建注意力層和所述構(gòu)建優(yōu)化輸出層，進行傳感動作識別模型訓練，得到足球動作識別初始模型modelop；

27、步驟s35：足球運動動作識別，具體為通過得到所述足球動作識別初始模型modelop，進行足球動作初步識別，得到足球動作識別初始數(shù)據(jù)；

28、所述足球動作識別初始數(shù)據(jù)，具體包括足底壓力預測數(shù)據(jù)、肌電圖預測數(shù)據(jù)、姿態(tài)運動預測數(shù)據(jù)、重量分布預測數(shù)據(jù)和步態(tài)參數(shù)數(shù)據(jù)。

29、進一步地，在步驟s4中，所述動作策略優(yōu)化，用于針對預測模型進行動作策略優(yōu)化，具體為依據(jù)所述足球動作識別初始模型modelop和所述足球動作識別初始數(shù)據(jù)，采用結(jié)合強化學習的集成差分進化算法，進行模型參數(shù)優(yōu)化和動作策略優(yōu)化，得到足球動作識別優(yōu)化模型modelpr和動作策略優(yōu)化模型modelcp，具體包括以下步驟：

30、步驟s41：構(gòu)建集成差分進化算法，包括以下步驟：

31、步驟s411：初始化種群參數(shù)，具體為通過隨機生成初始種群，用于表示模型參數(shù)和動作策略的候選解，所述隨機生成初始種群的計算公式為：

32、；

33、式中，p是初始種群，xi是第i個初始種群個體，(0)是初始化標識符，用于表示迭代次數(shù)為0，i是種群個體索引，n是種群個體總數(shù)，是第i個模型參數(shù)候選解，是第i個動作策略候選解；

34、步驟s412：計算個體適應(yīng)度，具體為計算每個種群個體的適應(yīng)度函數(shù)值，計算公式為：

35、；

36、式中，f(xi)是第i個初始種群個體的個體適應(yīng)度，acc(·)是準確性評估函數(shù)，eff(·)是有效性評估函數(shù)，所述準確性評估函數(shù)和所述有效性評估函數(shù)的具體計算值，具體通過將模型參數(shù)候選解和動作策略候選解應(yīng)用于所述足球動作識別初始模型modelop，進行預測后得到，是第i個模型參數(shù)候選解，是第i個動作策略候選解；

37、步驟s413：差分進化變異個體生成，用于對于每個種群個體，隨機選擇三個不同的種群個體作為素材種群個體，并生成得到變異個體，計算公式為：

38、；

39、式中，vi是第i個變異個體，i是種群個體索引，xa是對應(yīng)第i個初始種群個體xi的第一素材種群個體，fv是變異因子，具體為取值范圍為[0,2]的隨機數(shù)，xb是第二素材種群個體，xc是第三素材種群個體；

40、步驟s414：集成差分進化交叉，具體為依據(jù)所述變異個體，生成得到交叉候選個體，計算公式為：

41、；

42、式中，ui是第i個交叉候選個體，vi是第i個變異個體，xi是第i個初始種群個體，cr是交叉概率，j是取值范圍為[0,1]的隨機數(shù)；

43、步驟s415：集成差分進化選擇，具體為重新依據(jù)步驟s412所述操作，分別計算所述變異個體和交叉候選個體的，并選取其中適應(yīng)度值更高的個體作為新的初始種群個體，進行迭代計算；

44、步驟s416：迭代求解，具體為設(shè)置最大迭代次數(shù)，并進行迭代求解，直到達到收斂條件，或達到最大迭代次數(shù)，所述最優(yōu)種群個體，用于表示最優(yōu)的個體模型參數(shù)和最優(yōu)的個體足球動作策略；

45、步驟s42：強化學習策略優(yōu)化，具體為將足球運動動作問題作為強化學習基本環(huán)境，并采用q學習優(yōu)化策略進行強化學習訓練，得到強化學習環(huán)境和強化學習優(yōu)化策略；

46、步驟s43：構(gòu)建強化學習收斂判定條件，具體為設(shè)置收斂閾值，并通過將迭代訓練中的適應(yīng)度值進行差值計算，當前一次迭代次數(shù)的適應(yīng)度函數(shù)值和當前迭代次數(shù)的適應(yīng)度函數(shù)值的差值的絕對值小于設(shè)置的收斂閾值時，表示達到收斂條件，否則表示未達到收斂條件，繼續(xù)進行迭代訓練；

47、步驟s44：計算最優(yōu)策略輸出，用于結(jié)合所述集成差分進化算法和所述強化學習策略優(yōu)化，進行強化學習最優(yōu)解計算；

48、步驟s45：動作識別模型優(yōu)化，具體為通過得到所述強化學習模型預測最優(yōu)解，進行所述足球動作識別初始模型modelop的模型優(yōu)化，得到足球動作識別優(yōu)化模型modelpr；

49、步驟s46：動作策略優(yōu)化模型訓練，具體為通過所述強化學習策略優(yōu)化、所述構(gòu)建強化學習收斂判定條件和所述計算最優(yōu)策略輸出，進行足球運動動作策略優(yōu)化模型訓練，得到動作策略優(yōu)化模型modelcp；

50、步驟s47：動作策略優(yōu)化，具體為使用所述足球動作識別優(yōu)化模型modelpr，依據(jù)所述足球運動動作識別原始數(shù)據(jù)，預測得到足球運動動作識別傳感數(shù)值數(shù)據(jù)，并通過使用所述動作策略優(yōu)化模型modelcp，依據(jù)所述足球運動動作識別傳感數(shù)值數(shù)據(jù)，預測得到足球運動動作優(yōu)化策略。

51、進一步地，在步驟s5中，所述自適應(yīng)反饋調(diào)整，用于結(jié)合動作策略優(yōu)化和傳感動作識別模型進行足球運動動作識別，并在實際使用時，進行自適應(yīng)足球運動訓練的動作反饋和調(diào)整，具體為使用所述足球動作識別優(yōu)化模型modelpr和動作策略優(yōu)化模型modelcp，依據(jù)實時采集的足球運動動作識別原始數(shù)據(jù)，進行傳感動作識別和動作策略優(yōu)化預測，得到自適應(yīng)足球運動動作參考方案；

52、所述自適應(yīng)足球運動動作參考方案，具體包括可視化足底壓力趨勢參考圖像、可視化肌肉活動步態(tài)階段圖像、可視化姿態(tài)變化參考圖像和重量分布控制參考數(shù)據(jù)。

53、本發(fā)明提供的一種基于深度學習的足球運動動作識別系統(tǒng)，包括數(shù)據(jù)測量采集模塊、優(yōu)化數(shù)據(jù)處理模塊、傳感動作識別模塊、動作策略優(yōu)化模塊和自適應(yīng)反饋調(diào)整模塊；

54、所述數(shù)據(jù)測量采集模塊，用于數(shù)據(jù)測量采集，通過數(shù)據(jù)測量采集，得到足球運動動作識別原始數(shù)據(jù)，并將所述足球運動動作識別原始數(shù)據(jù)發(fā)送至優(yōu)化數(shù)據(jù)處理模塊、動作策略優(yōu)化模塊和自適應(yīng)反饋調(diào)整模塊；

55、所述優(yōu)化數(shù)據(jù)處理模塊，用于優(yōu)化數(shù)據(jù)處理，通過優(yōu)化數(shù)據(jù)處理，得到優(yōu)化足球動作數(shù)據(jù)，并將所述優(yōu)化足球動作數(shù)據(jù)發(fā)送至傳感動作識別模塊；

56、所述傳感動作識別模塊，用于傳感動作識別，通過傳感動作識別，得到足球動作識別初始模型，并將所述足球動作識別初始模型發(fā)送至動作策略優(yōu)化模塊；

57、所述動作策略優(yōu)化模塊，用于動作策略優(yōu)化，通過動作策略優(yōu)化，得到足球動作識別優(yōu)化模型和動作策略優(yōu)化模型，并將所述足球動作識別優(yōu)化模型和動作策略優(yōu)化模型發(fā)送至自適應(yīng)反饋調(diào)整模塊；

58、所述自適應(yīng)反饋調(diào)整模塊，用于自適應(yīng)反饋調(diào)整，通過自適應(yīng)反饋調(diào)整，得到自適應(yīng)足球運動動作參考方案。

59、采用上述方案本發(fā)明取得的有益效果如下：

60、（1）針對在已有的足球運動動作識別法中，存在著傳統(tǒng)方法常聚焦于圖像動作識別，而基于傳感數(shù)據(jù)的足球動作識別面臨原始數(shù)據(jù)質(zhì)量較差，影響后續(xù)預測任務(wù)的準確性技術(shù)問題，本方案創(chuàng)造性地采用基本預處理結(jié)合動態(tài)時間窗口特征提取和融合的方法進行數(shù)據(jù)優(yōu)化處理，通過噪聲增強、平移和縮放，提升了數(shù)據(jù)的類平衡性和數(shù)據(jù)質(zhì)量，并通過動態(tài)時間窗口特征檢測提取和后續(xù)的特征融合，進一步提升了特征數(shù)據(jù)的質(zhì)量，為后續(xù)的預測提供良好的數(shù)據(jù)基礎(chǔ)；

61、（2）針對在已有的足球運動動作識別中，存在著足球運動動作的數(shù)據(jù)變化較為頻繁且在實際的動作識別中，數(shù)據(jù)源要考慮實時的運動動作過程，進而必須保證結(jié)果的連續(xù)性，而傳統(tǒng)的時序數(shù)據(jù)預測模型雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，在輸出時一般采用非線性激活函數(shù)激活，這一方法提升了準確性但影響了最終結(jié)果的連續(xù)性，導致預測結(jié)果的可用性反而降低的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合自注意力機制的輸出激活移除雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，通過結(jié)合自注意力機制優(yōu)化特征捕獲能力，并通過移除輸出層的激活函數(shù)，提升了預測結(jié)果的連續(xù)性，并提升了方法整體的可用性；

62、（3）針對在已有的足球運動動作識別中，存在著單純的傳感動作識別方法只對傳感動作的結(jié)果進行預測，無法直觀的為動作識別乃至足球運動的整個過程提供支持，進而降低了方法本身的可參考性的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合強化學習的集成差分進化算法，既優(yōu)化了初始預測模型，也進一步訓練得到了動作策略優(yōu)化模型，從而能夠自適應(yīng)的為足球運動動作識別的結(jié)果適配相應(yīng)的動作方案參考和支持，使得整個方法的輸出更為直觀和可靠。