CN119027558B 一种基于vr虚拟数字人的健身训练评估决策模型的构建方法 （北京赛普力量教育科技有限公司）

一种基于VR虚拟数字人的健身训练评估决基于VR虚拟数字人的健身训练评估决策模型的惯性式摄像头组网络对专家的练习动作进行运基于刚体动力学模型以及肌肉骨骼模拟对专家2步骤S1：通过高精度的惯性式摄像头组网络对专家的练习步骤S2：基于刚体动力学模型以及肌肉骨骼模拟对专家步骤S26：对刚体运动参数数据进行基于牛顿运动定律的身体各部分的惯性力和平衡步骤S3：将专家动作数据以及生物力学参数导入虚拟步骤S4：利用计算机视觉技术对预获取的学员动作2.根据权利要求1所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S11：采用无纹理蓝绿色作为背景，布置多台高精度惯性捕捉相机进行全视角覆3步骤S14：通过生物力学建模软件根据肌肉活性数据以及3D标记点位置数据进行骨骼3.根据权利要求2所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S271：将关节扭矩数据、肌腱传递比数据以及步骤S273：根据肌肉收缩功数据以及惯性损失功数据进行动作过程中的总体能量计4.根据权利要求3所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S35：根据虚拟动作序列以及生物力学参数进行基于逆运动学约束的细节运动平5.根据权利要求4所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其46.根据权利要求5所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S461：将虚拟动作演示数据中的动作分解为语步骤S462：对学员动作特征数据进行基于不同尺寸核卷积步骤S463：基于多尺度特征表示数据构建时空注意力模步骤S464：根据运动语义数据集对专家动作数据7.根据权利要求6所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其8.根据权利要求7所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S521：将学员运动模式数据与虚拟动作演示数据进步骤S522：根据学员生物参数以及生物力学参数进行59.根据权利要求8所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其步骤S563：根据归一化量化向量数据以及分布式文步骤S565：在保留的测试集上对初步决策树模型进行泛化6[0003]但目前的基于VR虚拟数字人的健身训练评估决策模型的构建方法仍存在一些问[0005]为实现上述目的，一种基于VR虚拟数字人的健身训练评[0007]步骤S2：基于刚体动力学模型以及肌肉骨骼模拟对专家动作数据进行关节扭矩、[0011]本发明能够准确地获取专家的运动数据，包括关节运动角度和肌肉活动电位数7通过与虚拟动作演示数据的对比，可以进行功法动作的识别和学员运动模式的数据提取。[0013]图1为本发明基于VR虚拟数字人的健身训练评估决策模型的构建方法的步骤流程术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范8[0021]步骤S2：基于刚体动力学模型以及肌肉骨骼模拟对专家动作数据进行关节扭矩、[0028]步骤S2：基于刚体动力学模型以及肌肉骨骼模拟对专家动作数据进行关节扭矩、[0029]本发明实施例使用刚体动力学模型和肌肉骨骼模拟技术对专家动作数据进行分9借助虚拟动作演示数据，可以基于比较和匹配的方法对学员的动作视频进行功法动作识[0036]本发明能够准确地获取专家的运动数据，包括关节运动角度和肌肉活动电位数通过与虚拟动作演示数据的对比，可以进行功法动作的识别和学员运动模式的数据提取。[0041]步骤S14：通过生物力学建模软件根据肌肉活性数据以及3D标记点位置数据进行[0051]步骤S14：通过生物力学建模软件根据肌肉活性数据以及3D标记点位置数据进行[0056]本发明实施例将计算得到的关节运动角度数据和肌肉活动电位数据保存为专家准确性；时间戳的同步可以确保肌肉活性数据和3D标记点位置数据的一致性和对应关系。通过生物力学建模软件，可以根据肌肉活性数据和3D标记点位置数据构建专家的骨骼模[0062]步骤S24：根据肌肉收缩力数据进行基于肌肉附着点位置的作用于骨骼的力矩计[0064]步骤S26：对刚体运动参数数据进行基于牛顿运动定律的身体各部分的惯性力和[0065]步骤S27：根据关节扭矩数据、肌腱传递比数据以及惯性力数据进行生物参数分质量乘以加速度)计算各关节的力和力矩；关节运动角度数据作为运动输入用于驱动刚体[0073]步骤S24：根据肌肉收缩力数据进行基于肌肉附着点位置的作用于骨骼的力矩计[0077]步骤S26：对刚体运动参数数据进行基于牛顿运动定律的身体各部分的惯性力和[0079]步骤S27：根据关节扭矩数据、肌腱传递比数据以及惯性力数据进行生物参数分积分关节扭矩与关节角度的速度来获得肌肉收缩运动过程中由于惯性而产生的能量损失。通过将肌肉收缩功数据和惯性损失功数据相加，[0098]本发明实施例使用3D建模软件(如Maya、3dsMax等)创建带有高保真皮肤的网格[0101]步骤S35：根据虚拟动作序列以及生物力学参数进行基于逆运动学约束的细节运[0108]本发明实施例收集学员的运动视频数据，可以通过摄像机或者移动设备进行录[0110]本发明实施例使用视频编辑软[0111]步骤S43：对动作标注数据集进行数据增强，进行基于姿态估计人体骨骼模型提等操作，生成更多样化的数据样本，增强训练模型的鲁棒性；使用姿态估计算法(如[0118]本发明实施例基于学员动作特征数据和虚拟动作演示数据，使用机器学习算法些视频数据提供了对学员动作进行分析和评估的基础，并为后续的步骤提供了输入数据。片段标注动作类型和关键帧；这个步骤的效果是将学员动作数据进行了有效的分割和标[0124]本发明实施例使用卷积神经网络(CNN)对学员动作特征数据进行特征提取，使用[0126]本发明实施例构建时空注意力模块，该模块用于计算时空位置之间的相关性权[0133]步骤S51：根据学员动作视频数据对学员动作进行人体关键点检测以及骨骼模型[0135]步骤S52：根据虚拟动作演示数据对学员运动模式数据进行虚实动作差异度量分[0137]步骤S53：根据学员生物参数以及生物力学参数构建个性化的刚体一肌肉模型表[0140]本发明实施例将个性化生物力学模型与动作差异度量数据相结合，建立优化问程中的生物特征和姿势信息，为后续的个性化生物力学模型构建和动作分析提供了基础。了解修正方案的有效性和改进策略的指导。通过基于训练评估报告数据构建决策树模型，腱传递比等生物参数的数值；将学员的生物参数与虚拟动作演示数据的对应参数进行比[0151]步骤S523：将骨骼轨迹对比数据以及生物参数差异数据合并为动作差异度量数[0162]本发明实施例将构建好的复合特征数据作为输入，将其划分[0165]本发明通过对训练评估报告数据进行格式化清洗和提取，可以得到结