人工智能下的肢体动作类教学管理系统(共5420字).doc

《人工智能下的肢体动作类教学管理系统(共5420字).doc》由会员分享，可在线阅读，更多相关《人工智能下的肢体动作类教学管理系统(共5420字).doc（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工智能下的肢体动作类教学管理系统(共5420字)人工智能下的肢体动作类教学管理系统 摘要体育类涉及肢体动作方面的学科教学普遍存在教学管理困难的问题。该文在研究体育类学科教学特点的基础上，针对其与传统讲授为主的学科的不同，利用传感器网络与智能计算相结合的方式，设计了面向体育类肢体运动教学需求的综合教学管理系统，对学生肢体动作类训练科目进行实时的监督、跟踪、评估与反馈，从而解决了现有肢体类教学成效和学生接受程度难以评价与管理的问题。关键词教学管理系统；传感器网络；人工智能一、研究背景随着教育信息化建设的不断深入，相关政策的集中出台，教育信息化2.0行动的全面展开，“三通两平台”（即“宽带网络校校

2、通、教学资源班班通、网络学习空间人人通；加强数字教育资源公共服务平台、教育管理信息系统平台的建设”）的发展导向已经逐渐得到了学术界的广泛认可1。作为“三通两平台”的重要组成部分，各类基于互联网的教育管理信息系统得到了广泛的研究和丰富的成果。目前，教育教学管理系统主要可以分为资源共享和师生互动两个大的类型。前者主要是以数字化教学资源为主的文件管理和共享平台2，其中较为成熟的产品包括Dropbox、GoogleDrive、AmazonCloudDrive以及国内的“瀚海星云”校园服务平台和“筋斗云”等基于云存储的文件共享系统，主要是解决教学资源数字化之后的存储和传播问题。而后者着重针对教育教学过程

3、中辅助教师课堂授课的多媒体支撑平台，主要有BlackBoard、慕课、翻转课堂等网络教学平台3。这类教学平台从单纯的资源存储与共享发展到与教学过程紧密融合，成为师生交互、多媒体展示、作业管理、学生反馈于一体的软硬件教学服务系统，这类系统也是今后教学管理系统的发展方向和主要目标。对于体育学科来讲，目前的主要研究也集中在信息的管理和共享方面，文献4提出了一种基于B/S模式的教学管理平台，突破了C/S架构在大数据处理方面的局限性。文献5设计开发了一种基于Internet的面向高校体育教学的网络教学平台，利用网络的互联互通特性，为师生双方提供了网络教学的环境与平台。在文献6中，作者将物联网引入教学管理

4、中，通过物联网收集教学信息，辅助课程的教学工作。可以看出，上述教学管理平台依然以数字化教学资源的管理和分享为主要目标，未能针对体育教学中肢体动作与课堂知识讲授相结合的特点，对学生以动作为主的学习和训练过程进行长期有效的跟踪、监督和反馈。另外，在计算机、物联网和人工智能等技术高速发展的今天，各类电子和信息系统在很大程度上促进了医疗保健的发展。一个由多传感器组成的无线体域网可以辅助医生对病人进行初步的远程问诊7。而机器学习、深度学习等人工智能技术不但给网络的边缘设备赋予了更智能的表现，也在辅助诊断疑难杂症方面取得了进展8。在个人健身和医疗保健等领域，也有越来越多的人使用基于微机电系统（MEMS）的

5、姿态模块（包含加速度计、陀螺仪和磁力计等）来识别、监测人体的动作，并在社交网络或运动社区中与他人分享。由此可见，技术的进步已经使电子技术辅助运动和锻炼成为可能，因此有必要提出一种面向多用户的运动监测系统。其目的是方便指导者监测运动参与者的肢体动作，从而在一定程度上改善体育锻炼场景中获取专业指导困难的问题。这种系统可以部署在体育课堂等场所，指导人员可以方便地了解每个参与者的锻炼情况，包括动作类别是否正确以及动作次数和频率是否合适。本文针对这一内容，采用人工智能和传感器网络相结合的方式，设计与开发了一种可以同时应用在室内和室外的体育学科肢体动作类教学的综合化辅助管理平台，解决了体育教学中对学生肢体

6、动作类教学科目难监管的问题。具体来讲，本教学系统具备以下功能及技术特征：（1）采用基于MEMS的运动传感器记录人体运动信息，该传感器节点具有高精度、低成本、低功耗的特点。（2）采用支持大连接量的通信方式，以实现同时对多用户的动作监控，从而实现只需少量指导人员即可掌握多个用户的运动情况并及时给予指导。（3）借助人工智能技术实现动作类型的识别，以适应一个场景中不同用户开展不同运动的情况，让指导者能够一目了然地得知每个参与者的动作类型。（4）借助频率分析工具，实现对动作次数和动作周期这两个重要运动指标的计算。对于持续时间或动作频率不合理的运动参与者，指导人员能够及时发现并给予指导，以防止运动损伤的发

7、生，提高锻炼效果。二、人工智能教学平台设计为实现上述目的，本文设计了体育教学管理平台结构图（如图1所示）。整个教学平台主要由3个子系统组成：运动数据捕捉子系统、智能云计算管控子系统和智慧课堂子系统。下面对这3个子系统进行详细的介绍。（一）运动数据捕捉子系统运动数据捕捉子系统由9轴加速度传感器网络为核心组件，每个学生或教师根据所做动作的不同，在身体不同位置佩戴若干相互独立的传感器节点，这些传感器节点能够收集相应的动作信息，并通过传感器网络（比如Wi-Fi网络、蓝牙或者是物联网）将数据通过Internet传输至云计算服务器。（二）智能云计算管控子系统云计算服务器收到运动数据后，会按照如图2所示的流

8、程对数据进行处理，整个云计算服务器的功能可以分为3个主要的功能模块：数据接收与预处理模块，数据智能处理模块，训练效果评估与预测模块。数据接收与预处理模块主要负责将接收到的自传感器网络发来的原始运动参数和数据进行预处理，以便于后续模块的计算和应用。具体来讲，首先对所收到数据的合法性进行判断，即判断该数据是否为注册用户所发，并记录该用户的身份信息。随后判断数据的种类，看是单个传感器数据还是由多个传感器共同组成的数据。如果是多传感器数据，需要对这些多组数据进行融合，去除冗余信息，接着对多维时域数据进行降维处理，形成单维数据，并完成原始传感器数据的预处理工作。数据智能处理模块收到经过预处理的数据之后，

9、首先利用支持向量机技术（SVM）判断学生所做动作的种类。识别到动作种类后，根据动作的不同，从多维传感器数据中选择出与运动周期最为相关的轴，并利用这一关键轴根据运动周期对运动数据进行划分，即将数据划分为若干个相对独立的数据段，每段表示运动的一次完整周期。接下来，分别计算该学生本次训练动作的次数，并根据教师的标准动作，利用深度学习理论，与学生训练的动作进行对比，对学生训练的准确度和完整性进行评估。最后，根据偏差理论，对学生训练中动作的偏差和不足进行衡量，并给出动作偏差较大的具体细节。在此基础上，训练效果评估与预测模块首先读取该学生的历史训练数据信息，并与实时训练数据进行对比，以历史数据和实时数据作

10、为输入参数，利用多层神经网络算法，以训练目标作为输出，对训练效果进行评估，再进一步根据评估结果和历史训练信息，利用伪贝叶斯预测算法，对下阶段的训练计划进行调整和制订，最后根据学生的训练情况生成可视化的运动轨迹和参数图表。生成的数据将储存在云服务器中，供教师和学生随时读取，以起到对学生训练进行监督的目的。（三）智慧课堂子系统这一子系统主要负责分享数据、师生互动等功能，包括智慧教室、教师终端和学生终端等。其中教师可以在教师终端中作业，上传训练方案与所需训练动作的标准化数据等，利用偏差评估结论分析出所在班级学生的普遍训练问题和个别问题，并设计具有针对性的授课重点。而学生终端上则可实时查看自身训练的情

11、况，包括所做动作的种类、数量、周期、标准状况等参数，让学生的训练做到心中有数。在课堂授课中，教师可以利用智慧教师系统，展示出学生的综合训练状况，并结合学生运动时传感器记录的运动轨迹，向学生讲授训练的不足和动作的偏差。最后根据智能算法给出的预测和训练方案以及学生的实际训练状况，为学生制订下一阶段的训练计划，并在教学系统中。三、实验与思考根据上述设计思路，本系统在硬件部分主要包括基于锂电池和降压部件的电源模块、STM32F051K86微控制器、ESP8266通信模块以及基于MEMS惯性元件的MPU9250姿态传感器、Wi-Fi传输模块和云处理器，基于这些硬件系统开发了相应的智能肢体教学管理平台，并

12、针对核心的机器学习算法在体育专业学生中进行了小范围的实验验证。在实验中，本文选择了7类肢体动作进行识别，包括4类哑铃动作和3类腿部锻炼动作，分别为哑铃弯举、哑铃侧平举、哑铃肩推、哑铃飞鸟、坐姿抬小腿、站姿抬小腿以及提踵。这7类动作均为常见的肢体锻炼动作，具有较强的代表性。其中，一些动作之间的相似度较高，如坐姿抬小腿和站姿抬小腿，这对于分类器的识别功能具有一定的挑战性，可以充分验证不同模型的分类能力。在数据方面，本文使用了自建数据集，该数据集总共由420个样本组成。共有6人为数据集提供了样本，其中男、女各3人，每人提供70条数据样本，其中每类动作各10条。在记录数据时，每位参与者只佩戴1个姿态采

13、集模块。对于哑铃动作，姿态采集模块佩戴在手腕处；对于下肢动作，姿态采集模块佩戴在脚踝处。哑铃动作中使用的哑铃重量为2.5kg。在数据集分配上，全部样本的80%用作训练集，20%用作测试集。对于深度学习模型，额外将训练集的20%作为验证集。从实验结果可以看出，深度学习模型和SVM均达到了96%以上的识别准确率，高于现有的采用数值分析的技术，而多层感知机的准确率在4个模型中最低。其中，深度学习模型实现了高达97.61%的识别准确率，结合混淆矩阵可以看出在84个测试样本中只将2个哑铃肩推动作误分成哑铃侧平举，这表明本文提出的深度学习模型可以很好地用于小型数据集。SVM虽然没有达到最高的准确率，但与深

14、度学习模型差距不明显，并且考虑到其运算速度与复杂度远低于深度学习模型，因此更适合用于计算能力要求不高的场景，同样具有实际意义。此外，本文为了验证计数和频率分析的准确率，开展了动作计数及频率的分析实验。对于该实验来说，实验结果是否客观的标准在于试验次数。尤其对于动作计数来说，只有保证在次数足够多的情况下结果依然准确，才能够说明分析方法有效。该实验中以哑铃弯举动作为例重复进行了50次动作，这一数值已远高于单次锻炼的次数要求。在实验过程中除了使用传感器记录动作，还使用秒表对每次动作的周期进行计时，以此作为实际标准。从实验中可以看出，算法的动作计数十分准确，50次的统计结果与实际值完全一致，而且计算值

15、和测量值整体拟合情况较好。因此，该实验证明了过零检测和小波分析方法的有效性和精确性，在动作次数较多的情况下也可以很好地实现动作计数和周期计算。然而，我们在实验中也发现了一些问题，比如在进行多个传感器数据融合时，现有的算法还存在精度不高等问题。此外在动作的标准化评估方面，由于缺乏运动学现有的标准，所以存在一定的主观性。具体来讲，主要存在以下2个方面的问题：其一，本系统采用了单传感器采集肢体运动数据，这种方式在使用上较为便利，但只能用于单一肢体的运动，后续研究可以安装多个传感器并将多传感器的数据进行融合，以实现对复杂肢体动作的识别。其二，在软件实现方面，该系统在处理数据接收和解包时并未使用多线程机

16、制，因此对于计算机主频要求较高，并且容易影响启停检测的反应速度，在后续研究中可以结合多线程技术使这个问题得到改善。尽管存在诸多问题，但通过在体育教学中的实验和反馈，可以发现体育类等以肢体运动为主的学科，对于这类基于传感器的教学管理平台有很大的需求。利用传感器和智能算法为体育学科教师提供完整的动作训练数据可以有效提高教学质量，同时起到监督学生更好完成训练计划的作用。综上所述，对本文设计的基于人工智能和传感器网络的体育教学管理系统进行深入研究是十分必要的。参考文献1杨宗凯.教育信息化2.0:颠覆与创新J.中国教育网络,2018（1）:18-19.2赵旭.基于云存储的数字化教学资源管理平台综述J.数字技术与应用,2017（9）:32-34.3李兰民.国内外BlackBoard平台课程建设的现状分析及展望J.北方文学（下旬）,2017（6）:184.4张栋.基于B/S模式的体育管理信息平台的应用研究J.电子设计工程,2015（24）:46-48.5陈妍妍.普通高校体育网络教学平台的设计与实现D.北京：北京邮电大学,2010.6李尚滨,王德才,刘英爽,等.基于物联网的体育教学平台设计J.体育学刊,2015（1）:90-94.第 9 页 共 9 页