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。

背景技術：

1、基于深度學習的足球運動動作識別方法利用傳感數據，如加速度計、陀螺儀等設備采集的運動數據，通過深度學習模型對這些傳感數據進行分析，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)術制定、運動表現評估及傷病預防提供科學依據。

2、但是，在已有的足球運動動作識別法中，存在著傳統方法常聚焦于圖像動作識別，而基于傳感數據的足球動作識別面臨原始數據質量較差，影響后續(xù)預測任務的準確性技術問題；在已有的足球運動動作識別中，存在著足球運動動作的數據變化較為頻繁且在實際的動作識別中，數據源要考慮實時的運動動作過程，進而必須保證結果的連續(xù)性，而傳統的時序數據預測模型雙向長短期記憶神經網絡，在輸出時一般采用非線性激活函數激活，這一方法提升了準確性但影響了最終結果的連續(xù)性，導致預測結果的可用性反而降低的技術問題；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問題。

技術實現思路

1、針對上述情況，為克服現有技術的缺陷，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，針對在已有的足球運動動作識別法中，存在著傳統方法常聚焦于圖像動作識別，而基于傳感數據的足球動作識別面臨原始數據質量較差，影響后續(xù)預測任務的準確性技術問題，本方案創(chuàng)造性地采用基本預處理結合動態(tài)時間窗口特征提取和融合的方法進行數據優(yōu)化處理，通過噪聲增強、平移和縮放，提升了數據的類平衡性和數據質量，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據的質量，為后續(xù)的預測提供良好的數據基礎；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據變化較為頻繁且在實際的動作識別中，數據源要考慮實時的運動動作過程，進而必須保證結果的連續(xù)性，而傳統的時序數據預測模型雙向長短期記憶神經網絡，在輸出時一般采用非線性激活函數激活，這一方法提升了準確性但影響了最終結果的連續(xù)性，導致預測結果的可用性反而降低的技術問題，本方案創(chuàng)造性地采用結合自注意力機制的輸出激活移除雙向長短期記憶神經網絡，通過結合自注意力機制優(yōu)化特征捕獲能力，并通過移除輸出層的激活函數，提升了預測結果的連續(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問題，本方案創(chuàng)造性地采用結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，從而能夠自適應的為足球運動動作識別的結果適配相應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：數據測量采集；

4、步驟s2：優(yōu)化數據處理；

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：自適應反饋調整。

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

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據；

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

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

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

14、所述結合自注意力機制的輸出激活移除長短期記憶神經網絡，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，用于作為數據預測的基本模型；

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并進行預測結果的連續(xù)性優(yōu)化；

18、所述采用結合自注意力機制的輸出激活移除長短期記憶神經網絡，進行預測模型構建，得到足球動作識別初始模型的步驟，包括：

19、步驟s31：構建雙向長短期記憶層，具體為通過分別構建前向長短期記憶子網和后向長短期記憶子網，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：注意力權重歸一化；

23、步驟s323：計算上下文向量；

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

25、步驟s33：構建優(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雙向長短期記憶子網輸出門中的非線性激活函數，進行輸出層優(yōu)化；

26、步驟s34：傳感動作識別模型訓練，具體為通過所述構建雙向長短期記憶層、所述構建注意力層和所述構建優(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據；

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

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據，采用結合強化學習的集成差分進化算法，進行模型參數優(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，具體為通過隨機生成初始種群，用于表示模型參數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，用于表示迭代次數為0，i是種群個體索引，n是種群個體總數，是第i個模型參數候選解，是第i個動作策略候選解；

34、步驟s412：計算個體適應度，具體為計算每個種群個體的適應度函數值，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度，acc(·)是準確性評估函數，eff(·)是有效性評估函數，所述準確性評估函數和所述有效性評估函數的具體計算值，具體通過將模型參數候選解和動作策略候選解應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，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；

43、步驟s415：集成差分進化選擇，具體為重新依據步驟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，具體為設置最大迭代次數，并進行迭代求解，直到達到收斂條件，或達到最大迭代次數，所述最優(yōu)種群個體，用于表示最優(yōu)的個體模型參數和最優(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：構建強化學習收斂判定條件，具體為設置收斂閾值，并通過將迭代訓練中的適應度值進行差值計算，當前一次迭代次數的適應度函數值和當前迭代次數的適應度函數值的差值的絕對值小于設置的收斂閾值時，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，依據所述足球運動動作識別原始數據，預測得到足球運動動作識別傳感數值數據，并通過使用所述動作策略優(yōu)化模型modelcp，依據所述足球運動動作識別傳感數值數據，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，所述自適應反饋調整，用于結合動作策略優(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，進行自適應足球運動訓練的動作反饋和調整，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，依據實時采集的足球運動動作識別原始數據，進行傳感動作識別和動作策略優(yōu)化預測，得到自適應足球運動動作參考方案；

52、所述自適應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據。

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，包括數據測量采集模塊、優(yōu)化數據處理模塊、傳感動作識別模塊、動作策略優(yōu)化模塊和自適應反饋調整模塊；

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

55、所述優(yōu)化數據處理模塊，用于優(yōu)化數據處理，通過優(yōu)化數據處理，得到優(yōu)化足球動作數據，并將所述優(yōu)化足球動作數據發(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)送至自適應反饋調整模塊；

58、所述自適應反饋調整模塊，用于自適應反饋調整，通過自適應反饋調整，得到自適應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，存在著傳統方法常聚焦于圖像動作識別，而基于傳感數據的足球動作識別面臨原始數據質量較差，影響后續(xù)預測任務的準確性技術問題，本方案創(chuàng)造性地采用基本預處理結合動態(tài)時間窗口特征提取和融合的方法進行數據優(yōu)化處理，通過噪聲增強、平移和縮放，提升了數據的類平衡性和數據質量，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據的質量，為后續(xù)的預測提供良好的數據基礎；

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據變化較為頻繁且在實際的動作識別中，數據源要考慮實時的運動動作過程，進而必須保證結果的連續(xù)性，而傳統的時序數據預測模型雙向長短期記憶神經網絡，在輸出時一般采用非線性激活函數激活，這一方法提升了準確性但影響了最終結果的連續(xù)性，導致預測結果的可用性反而降低的技術問題，本方案創(chuàng)造性地采用結合自注意力機制的輸出激活移除雙向長短期記憶神經網絡，通過結合自注意力機制優(yōu)化特征捕獲能力，并通過移除輸出層的激活函數，提升了預測結果的連續(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問題，本方案創(chuàng)造性地采用結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，從而能夠自適應的為足球運動動作識別的結果適配相應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。