技术领域
[0001] 本
发明属于体育训练器材领域，特别涉及一种体操训练装置及其训练方法。
背景技术
[0002] 体操是一项综合运动员的
力量、柔韧性、平衡性以及肢体舒展性的运动项目，极具美观和观赏性。专业或半专业的体操运动选手需要进行严格专业训练，目前，针对这些因素的针对性训练是原始的，大多依靠教练员在缺乏可靠数据支持的情况下主观进行的，
现有技术无法使得体操运动中，对运动状态变化、以及由运动变化组成的各种运动姿势的准确性进行测量，无法实现对用户的生理参数进行测量，无法自动形成特别适合用户个人的运动状态、运动姿势乃至套路，无法进行有针对性的指导以提高训练效果。
[0003]
专利文献1公开的一种带监控装置的体操运动器材，包括器材主体和监控装置，所述器材主体包括主体结构及设于主体结构上与运动员手部直接
接触的受力件，所述监控装置包括
中央处理器及与中央处理器连接的压力
传感器、计数器、报警装置、WiFi模
块、电源模块、
存储器及显示屏，同时还包括与WiFi模块无线连接的上位机或移动终端，所述
压力传感器和计数器分别设置于主体结构与受力件的连接部，所述WiFi模块、存储器及电源模块设置于主体结构内部，所述报警装置和显示屏设于主体
支架主体结构的外部。该专利在运动员进行训练时，检测运动员的力量变化，形成力量变化曲线，但该专利没有解决对用户在体操过程中运动状态变化、以及由运动变化组成的各种运动姿势的准确性进行测量，更无法实现对用户的生理参数进行测量，无法自动形成特别适合用户个人的运动状态、运动姿势乃至套路，无法进行有针对性的指导以提高训练效果。
[0004] 专利文献2公开的艺术体操训练中运动员场内数据监测系统包括M个摄像机(1)、N个贴片式压力传感器(2)、Z个距离传感器(3)、控制
电路(4)、
图像处理电路(5)、上位计算机(6)和显示器(7)，M个摄像机(1)中的一个悬挂在训练场的正上方，其余的摄像机(1)均布设置在训练场的四周；N个贴片式压力传感器(2)以阵列的方式埋设在体操垫的下方；Z个距离传感器(3)均布并设置在训练场的边界处；M个摄像机(1)的
信号输出端分别与控制电路(4)的M个摄像机信号输入端连接；N个贴片式压力传感器(2)的压力信号输出端分别与控制电路(4)的N个压力信号输入端连接；Z个距离传感器(3)的距离信号输出端分别与控制电路(4)的Z个距离信号输入端连接；图像处理电路(5)的图像信号输出或输入端与控制电路(4)的图像信号输入或输出端连接；控制电路(4)的上位机信号输出端与上位计算机(6)的上位机信号输入端连接；上位计算机(6)的显示信号输出端与显示器(7)的显示信号输入端连接；M为大于或等于5的正整数；N为大于或等于10的正整数；Z为大于或等于4的正整数。该专利通过多台摄像机对运动进行多
角度全方位的拍摄，确保运动在场内的全部
姿态得以呈现，以便教练员对姿态做出针对性调整，但该专利没有解决对用户在体操过程中运动状态变化、以及由运动变化组成的各种运动姿势的准确性进行测量，更无法实现对用户的生理参数进行测量，无法自动形成特别适合用户个人的运动状态、运动姿势乃至套路，无法进行有针对性的指导以提高训练效果。
[0005] 专利文献3公开了一种用于体操训练的智能训练系统包括：
[0007] 所述智能训练终端包括：
[0008]
图像采集单元，用于采集体操运动员在训练过程中的训练图像信息，并将所述训练图像信息发送到所述远程服务器；
[0009] 所述远程服务器向所述智能训练终端发送体操标准动作图像以及训练计划。该专利能够使体操运动员及爱好者远程接收专业指导，进行训练，但该专利没有解决对用户在体操过程中运动状态变化、以及由运动变化组成的各种运动姿势的准确性进行测量，更无法实现对用户的生理参数进行测量，无法自动形成特别适合用户个人的运动状态、运动姿势乃至套路，无法进行有针对性的指导以提高训练效果。
[0010] 因此，有必要提供一种能够实时测量用户在体操过程中运动状态变化、以及由运动变化组成的各种运动姿势，以及测量用户的生理参数，自动形成特别适合用户个人的运动状态、运动姿势乃至套路，形成有针对性的指导以显著提高训练效果的体操训练装置及其训练方法。
[0011] 现有技术文献
[0012] 专利文献
[0013] 专利文献1：中国专利公开CN205164089U号
[0014] 专利文献2：中国专利公开CN202751402U号
[0015] 专利文献3：中国专利公开CN105457254A号
发明内容
[0016] 本
发明人等为了达成上述目的而进行了深入研究，具体而言，本发明提供一种体操训练装置，体操训练装置包括用于测量用户运动状态的运动测量装置、测量用户生理状态的生理测量模块以及无线连接所述运动测量装置和生理测量模块的服务器。
[0017] 所述运动测量装置包括：
[0018] 惯性测量模块，惯性测量模块包括测量用户空间姿态数据的惯性测量单元以及测量用户
重心变化的重心传感器，所述惯性测量单元包括测量三维平移矢量的
加速度传感器和测量三维转动矢量的
陀螺仪，
[0019] 光学测量模块，所述光学测量模块包括用于拍摄用户以获得基于三维空间
位置的图像数据的多个拍摄单元，
[0020]
传感器数据融合计算模块，其将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，
[0021] 生理测量模块包括分别测量用户肌肉振动的麦克
风振动传感器、测量心率的心率传感器、测量血压的血压传感器、测量呼吸
频率的频率传感器和测量血
氧浓度的红外血氧浓度传感器，
[0022] 服务器包括
数据采集装置和处理装置，其中，
[0023] 数据采集装置，其采集用户体操过程中运动测量装置测量的基于三维空间位置的用户运动数据和生理测量模块测量的生理数据，三维空间位置的用户运动数据包括身体各部分的三维位移矢量和重心变化数据，所述生理数据包括身体的肌肉振动数据、心率、血压、呼吸频率和血氧浓度数据；
[0024] 处理装置，其基于
大数据训练得出优化的运动姿势及相应生理数据，所述处理装置包括：
[0025] 数据预处理装置，其包括对用户运动数据和生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数；
[0026] 归一模块，其对特征参数进行归一化获得归一化
特征向量；
[0027] 分类器模型模块，其基于特征向量对用户的运动状态进行分类，建立多种运动姿势的分类器模型；
[0028]
粒子群优化单元，其利用粒子群
算法不断优化分类器模型得到最优分类器模型；
[0029] 训练模块，其训练模型和测试数据；
[0030] 显示界面，将特征参数导入最优分类器模型显示所得到的运动姿势数据，所述运动姿势数据包括随着运动信号变化的优化的生理数据。
[0031] 在所述的体操训练装置中，数据预处理装置包括基于预定条件筛选用户运动数据的筛选器，所述预定条件为用户运动数据处于预
定位置范围，所述数据预处理装置对符合预定条件的用户运动数据，以及相应时间下的生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数。
[0032] 在所述的体操训练装置中，所述生理测量模块设有计算基于时间的生理状态曲线的计算单元。
[0033] 在所述的体操训练装置中，分类器模型模块包括PCA计算单元，所述PCA计算单元基于归一化特征向量计算样本的协方差矩阵的特征值及特征向量作为每一维用于区分全部数据的贡献率，按照贡献率大小进行排列组成模式向量以选择主成成分，其中协方差公式如下 Cn×n＝(ci，j，ci，j＝cov(Dimi，Dimj))，其中xi，yi两个维度的随机变量， 为两个维度的变量平均值，cov(x，y)表示X和Y两个随机变量的协方差，Cn×n表示n维数据的协方差，Dim表示数组维数，n表示该数组样本维数，i为n个样本维数中的第i个。
[0034] 在所述的体操训练装置中，拍摄单元包括深度摄像机，所述图像数据包括彩色图像数据和
深度图像数据，所述传感器数据融合计算模块包括麦夸特计算单元。
[0035] 在所述的体操训练装置中，所述服务器为
云端服务器，云端服务器包括处理器、
硬盘、内存、总线和用于与运动测量装置和生理测量模块以统一格式交互的无线通信设备，所述无线通信设备至少包括无线局域网通信设备和/或
移动通信网络设备，无线局域网通信设备包括蓝牙、ZigBee和/或Wi-Fi模块，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片和/或4G无线通信芯片。
[0036] 在所述的体操训练装置中，所述服务器包括提醒装置，当测量的肌肉振动、心率、血压、呼吸频率和/或血氧浓度中任一或多个相应超出了预设的肌肉振动区间、心率区间、血压区间、呼吸频率区间和/或血氧浓度区间时，所述提醒装置发出警示，所述提醒装置包括振动器、蜂鸣器和/或
LED灯。
[0037] 在所述的体操训练装置中，处理装置包括
数字信号处理器、
专用集成电路ASIC或现场可编程
门阵列FPGA，处理装置包括存储器，所述存储器包括一个或多个
只读存储器ROM、
随机存取存储器RAM、快闪存储器或
电子可擦除可编程只读存储器EEPROM。
[0038] 在所述的体操训练装置中，所述惯性测量模块经由柔性固定件附接到用户，所述柔性固定件为附接到用户的柔性袋或绷带。
[0039] 根据本发明的另一方面，一种所述的体操训练装置的训练方法包括以下步骤：
[0040] 用户开始体操运动，惯性测量单元分别测量用户的三维位移矢量以及重心传感器测量用户重心变化；光学测量模块拍摄用户以获得基于三维空间位置的图像数据，[0041] 传感器数据融合计算模块将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，
[0042] 麦克风振动传感器分别测量身体的肌肉振动、心率传感器测量心率、血压传感器测量血压、频率传感器测量呼吸频率和红外血氧浓度传感器测量血氧浓度；
[0043] 数据采集装置采集不同体操状态下运动测量装置测量的用户运动数据和生理测量模块测量的用户生理数据；
[0044] 数据预处理装置对用户运动数据和生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数；
[0045] 归一模块对特征参数进行归一化获得归一化特征向量；
[0046] 分类器模型模块基于特征向量对用户的运动状态进行分类，建立多种运动姿势的分类器模型；
[0047] 粒子群优化单元利用粒子群算法不断优化分类器模型得到最优分类器模型；
[0048] 训练模块训练模型和测试数据；
[0049] 处理装置通过大数据训练得出优化的运动姿势及相应的生理数据；
[0050] 显示界面显示所得到的运动姿势数据。
[0051] 本发明的技术效果如下：
[0052] 本发明的体操训练装置通过测量用户运动状态的运动测量装置和测量用户生理状态的生理测量模块以实时获得基于用户体操过程中每一时刻的身体的三维位移矢量和重心变化数据，肌肉振动数据、心率、血压、呼吸频率和血压浓度数据，获得了实时的用户在体操中各种运动姿势，以及用户的生理参数，显著提高了测量的丰富性和准确性，光学测量模块拍摄用户以获得基于三维空间位置的图像数据，传感器数据融合计算模块将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，显著提高了用户运动数据的准确性，处理装置通过大数据训练得出优化的运动姿势及相应的生理数据，自动形成特别适合用户个人的体操运动状态、运动姿势乃至套路，形成有针对性的指导以显著提高训练效果。
附图说明
[0053] 图1为本发明体操训练装置的实施方式的结构示意图。
[0054] 图2为本发明利用体操训练装置的训练方法的步骤示意图。
[0055] 符号说明：
[0056] 1 运动测量装置；
[0057] 2 生理测量模块；
[0058] 3 服务器；
[0059] 4 惯性测量模块；
[0060] 5 惯性测量单元；
[0061] 6 重心传感器；
[0062] 7 加速度传感器；
[0063] 8 陀螺仪；
[0064] 9 光学测量模块；
[0065] 10 拍摄单元；
[0066] 11 传感器数据融合计算模块；
[0067] 12 麦克风振动传感器；
[0068] 13 心率传感器；
[0069] 14 血压传感器；
[0070] 15 频率传感器；
[0071] 16 红外血氧浓度传感器；
[0072] 17 数据采集装置；
[0073] 18 处理装置
[0074] 19 数据预处理装置；
[0075] 20 归一模块；
[0076] 21 分类器模型模块；
[0077] 22 粒子群优化单元；
[0078] 23 训练模块；
[0079] 24 显示界面。
具体实施方式
[0080] 下面将参照附图更详细地描述本发明的具体
实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0081] 需要说明的是，在
说明书及
权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的″包含″或″包括″为一开放式用语，故应解释成″包含但不限定于″。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
[0082] 为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
[0083] 具体而言，如图1所示本发明的体操训练装置，体操训练装置包括用于测量用户运动状态的运动测量装置1、测量用户生理状态的生理测量模块2以及无线连接所述运动测量装置1和生理测量模块2的服务器3。
[0084] 所述运动测量装置1包括：
[0085] 惯性测量模块4，惯性测量模块4包括测量用户空间姿态数据的惯性测量单元5以及测量用户重心变化的重心传感器6，所述惯性测量单元5包括测量三维平移矢量的加速度传感器7和测量三维转动矢量的陀螺仪8，
[0086] 光学测量模块9，所述光学测量模块9包括用于拍摄用户以获得基于三维空间位置的图像数据的多个拍摄单元10，
[0087] 传感器数据融合计算模块11，其将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，[0088] 生理测量模块2包括分别测量用户肌肉振动的麦克风振动传感器12、测量心率的心率传感器13、测量血压的血压传感器14、测量呼吸频率的频率传感器15和测量血氧浓度的红外血氧浓度传感器16，
[0089] 服务器3包括数据采集装置17和处理装置18，其中，
[0090] 数据采集装置17，其采集用户体操过程中运动测量装置1测量的基于三维空间位置的用户运动数据和生理测量模块2测量的生理数据，三维空间位置的用户运动数据包括身体各部分的三维位移矢量和重心变化数据，所述生理数据包括身体的肌肉振动数据、心率、血压、呼吸频率和血氧浓度数据；
[0091] 处理装置18，其基于大数据训练得出优化的运动姿势及相应生理数据，所述处理装置18包括：
[0092] 数据预处理装置19，其包括对用户运动数据和生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数；
[0093] 归一模块20，其对特征参数进行归一化获得归一化特征向量；
[0094] 分类器模型模块21，其基于特征向量对用户的运动状态进行分类，建立多种运动姿势的分类器模型；
[0095] 粒子群优化单元22，其利用粒子群算法不断优化分类器模型得到最优分类器模型；
[0096] 训练模块23，其训练模型和测试数据；
[0097] 显示界面24，将特征参数导入最优分类器模型显示所得到的运动姿势数据，所述运动姿势数据包括随着运动信号变化的优化的生理数据。
[0098] 本发明的体操训练装置通过测量用户运动状态的运动测量装置和测量用户生理状态的生理测量模块以实时获得基于用户体操过程中每一时刻的身体的三维位移矢量和重心变化数据，肌肉振动数据、心率、血压、呼吸频率和血氧浓度数据，获得了实时的用户在体操中各种运动姿势，以及用户的生理参数，显著提高了测量的丰富性和准确性，光学测量模块拍摄用户以获得基于三维空间位置的图像数据，传感器数据融合计算模块将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，显著提高了用户运动数据的准确性，处理装置通过大数据训练得出优化的运动姿势及相应的生理数据，自动形成特别适合用户个人的体操运动状态、运动姿势乃至套路，形成有针对性的指导以显著提高训练效果。
[0099] 本发明所述的体操训练装置的优选实施例，数据预处理装置19包括基于预定条件筛选用户运动数据的筛选器，所述预定条件为用户运动数据处于预定位置范围，所述数据预处理装置19对符合预定条件的用户运动数据，以及相应时间下的生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数。
[0100] 本发明所述的体操训练装置的优选实施例，所述生理测量模块2设有计算基于时间的生理状态曲线的计算单元。
[0101] 本发明所述的体操训练装置的优选实施例，数据预处理装置19设有FIR滤波降噪的FIR低通
滤波器，其采用矩形窗函数，
采样频率为70kHZ，截止频率15kHz，滤波器阶数65，FFT蝶形频域变换选取4096个点进行蝶形FFT频域变换得到信号
频谱图。
[0102] 本发明所述的体操训练装置的优选实施例，归一模块21将不同量纲不同维度数据控制在同一参考系下，公式
[0103] 其中：x为特征参数集；X是归一化后的参数样本；xmin是全部数据集中的最小值；xmax是全部数据集中的最大值。
[0104] 本发明所述的体操训练装置的优选实施例，分类器模型模块21包括PCA计算单元，所述PCA计算单元基于归一化特征向量计算样本的协方差矩阵的特征值及特征向量作为每一维用于区分全部数据的贡献率，按照贡献率大小进行排列组成模式向量以选择主成成分，其中协方差公式如下 Cn×n＝(ci，j，ci，j＝cov(Dimi，Dimj))，其中xi，yi两个维度的随机变量， 为两个维度的变量平均值，cov(x，y)表示X和Y两个随机变量的协方差，Cn×n表示n维数据的协方差，Dim表示数组维数，n表示该数组样本维数，i为n个样本维数中的第i个。在一个实施例中，选择作用力打击频率作为主成成分，可以获得基于打击频率的优化运动姿势，在一个实施例中，选择作用力大小作为主成成分，可以获得基于作用力大小的优化运动姿势。
[0105] 本发明所述的体操训练装置的优选实施例，分类器模型模块21通过非线性映射函数 把数据映射到高维空间，建立
超平面，推出最优分类面公式进而由Lagrange优化求出映射函数，由实验得出最优核函数和SVC分类模型，其中，SVC分类模型如下：
[0106] 最优核函数表达式如下：K(x，xi)＝exp(-γ||x-xi||2)，γ＞0，其中，i＝1，2，...，p是用户
指定的常数；ξ是松弛变量；
p是所给学习数据组的个数，w是权重向量；b为偏置；ξ是松弛变量ξ＞0，其表示数据分类的容错性；C是惩罚因子C＞0，其用以控制对错分样本惩罚的程度；α1，α2，…，αp是非负拉格朗日乘数，其中，αp＞0；样本(x1，x2，…，xp)为支持向量以确定决策边界；y(x)为分类类别。
[0107] 本发明所述的体操训练装置的优选实施例，粒子群优化单元22模拟
鸟群捕食行为，初始化一群随机粒子，生成第一代粒子群的空间位置和速度；粒子不断进行
迭代，寻求最优解，每次迭代中，粒子都会更新两个极值，一个是粒子本身最优解，另一个是种群整体最优解，粒子本身最优解称作个体极值，种群整体最优解称作全局极值，优化调整粒子惯性权重，当迭代次数小时，动态增加惯性权重，当迭代次数增加时，动态减小惯性权重，同时不断判断是否满足迭代预设极值
精度或迭代最大次数，若满足，则收敛到最优值，即优化核函数参数g和惩罚因子C，进而得出最优SVC分类模型。在一个实施例中，粒子速度更新公式如下：V(t+1)id＝W(t)×V(t)id+C1×rand()×(pbest(t)id-present(t)id)+C2×rand()×(gbest(t)id-present(t)id)
[0108] 其中，d＝1，2，3，...，n，n为n维空间，i＝1，2，3，...，m，m为种群规模，t为当前进化代数，Vid是第i粒子在第t次迭代中第d维速度，W(t)是第t次迭代惯性权重，present(i)id是第i粒子在第t次迭代中第d维位置，pbest(t)id是第i粒子在第t次迭代中第d维个体极值，gbest(t)id当第i粒子在第t次迭代中第d维全局极值，rand()是0到1之间的随机数，C1C2是学习因(t+1) (t) (t+1)子.通常C1＝C2＝2。粒子位置更新公式：present id＝present id+V id，其中，present(t+1)id是第i粒子在第t+1次迭代中第d维位置。在一个实施例中，优化调整粒子惯性权重，当迭代次数小时，动态增加惯性权重，提高其全局寻优能力，避免陷入局部最优。当迭代次数增加时，动态减小惯性权重，提高收敛速度和精度，调节PSO算法的全局与局部寻优能力。
[0109] 不断进行迭代，同时判断是否满足迭代预设极值精度或迭代最大次数，若满足，则收敛到最优值。
[0110] 本发明所述的体操训练装置的优选实施例，拍摄单元10包括深度摄像机，所述图像数据包括彩色图像数据和深度图像数据，所述传感器数据融合计算模块11包括麦夸特计算单元。
[0111] 本发明所述的体操训练装置的优选实施例，所述服务器3为云端服务器，云端服务器包括处理器、硬盘、内存、总线和用于与运动测量装置1和生理测量模块2以统一格式交互的无线通信设备，所述无线通信设备至少包括无线局域网通信设备和/或移动通信网络设备，无线局域网通信设备包括蓝牙、ZigBee和/或Wi-Fi模块，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片和/或4G无线通信芯片。
[0112] 本发明所述的体操训练装置的优选实施例，所述服务器3包括提醒装置，当测量的肌肉振动、心率、血压、呼吸频率和/或血氧浓度中任一或多个相应超出了预设的肌肉振动区间、心率区间、血压区间、呼吸频率区间和/或血氧浓度区间时，所述提醒装置发出警示，所述提醒装置包括振动器、蜂鸣器和/或LED灯。
[0113] 本发明所述的体操训练装置的优选实施例，处理装置18包括数字
信号处理器、专用集成电路ASIC或
现场可编程门阵列FPGA，处理装置18包括存储器，所述存储器可以包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器或电子可擦除可编程只读存储器EEPROM。
[0114] 本发明所述的体操训练装置的优选实施例，所述惯性测量模块4经由柔性固定件附接到用户，所述柔性固定件为附接到用户的柔性袋或绷带。在一个实施例中，所述柔性固定件为附接到拳头、手臂、手肘、腰部、腿部、膝盖和脚背的柔性袋或绷带。
[0115] 图2为本发明利用体操训练装置的训练方法的步骤示意图，如图2所示，一种利用所述的体操训练装置的训练方法包括以下步骤：
[0116] 用户开始体操运动，惯性测量单元5分别测量用户的三维位移矢量以及重心传感器6测量用户重心变化；光学测量模块9拍摄用户以获得基于三维空间位置的图像数据，[0117] 传感器数据融合计算模块11将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，
[0118] 麦克风振动传感器12分别测量身体的肌肉振动、心率传感器13测量心率、血压传感器14测量血压、频率传感器15测量呼吸频率和红外血氧浓度传感器16测量血氧浓度；
[0119] 数据采集装置17采集不同体操状态下运动测量装置1测量的用户运动数据和生理测量模块2测量的用户生理数据；
[0120] 数据预处理装置19对用户运动数据和生理数据进行FIR低通降噪和FFT蝶形频域变换得到特征参数；
[0121] 归一模块20对特征参数进行归一化获得归一化特征向量；
[0122] 分类器模型模块21基于特征向量对用户的运动状态进行分类，建立多种运动姿势的分类器模型；
[0123] 粒子群优化单元22利用粒子群算法不断优化分类器模型得到最优分类器模型；
[0124] 训练模块23训练模型和测试数据；
[0125] 处理装置18通过大数据训练得出优化的运动姿势及相应的生理数据；
[0126] 显示界面24显示所得到的运动姿势数据。
[0127] 本方法跟传统技术相比，本发明的体操训练装置通过测量用户的三维位移矢量的惯性测量单元5、测量用户重心变化的重心传感器6、拍摄用户以获得基于三维空间位置的图像数据的光学测量模块9，传感器数据融合计算模块11将用户体操过程中每一时刻的用户空间姿态数据和基于三维空间位置的图像数据融合优化得到基于三维空间位置的用户运动数据，测量用户生理状态的生理测量模块2以实时获得肌肉振动数据、心率、血压、呼吸频率和血氧浓度数据，获得了实时的用户在体操过程运动状态变化以及由运动变化组成的各种运动姿势，以及用户的生理参数，显著提高了测量的丰富性和准确性，处理装置通过大数据训练得出优化的运动姿势及相应的生理数据，自动形成特别适合用户个人的运动状态、运动姿势乃至套路，形成有针对性的指导以显著提高训练效果，根据具体需要，本方法还可以基于重心变化获得优化运动姿势，乃至通过运动姿势的组合形成适合用户本身生理条件的套路。再例如，本发明还可以基于麦克风振动传感器12测量身体的肌肉振动来调整用户的发力方式，提高体操
水平。
[0129] 本发明的体操训练装置及训练方法可以在体育器材领域制造并使用。
[0130] 尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
