基于多通道注意力的人体跳跃屈膝角度识别模型

丁磊; 方晨安; 胡新荣; 李阳; 明文凯; 林林; 吴渊

doi:10.11907/rjdk.251093

您当前的位置：

首页 >

文章列表页 >

基于多通道注意力的人体跳跃屈膝角度识别模型

人工智能 | 更新时间：2026-04-30

- 基于多通道注意力的人体跳跃屈膝角度识别模型
- Human Jumping Knee-Bending Angle Recognition Model Based on Multi-Channel Attention
- 软件导刊 2026年25卷第4期页码：48-56
- 作者机构：
  
  1.武汉纺织大学计算机与人工智能学院
  2.武汉纺织大学体育部，湖北武汉430200
- 作者简介：
  
  丁磊（1987-），男，博士，武汉纺织大学计算机与人工智能学院副教授，研究方向为智能传感监测、步态分析及模式识别
  方晨安（2001-），男，武汉纺织大学计算机与人工智能学院硕士研究生，研究方向为柔性传感、运动检测
  吴渊（1991-），男，博士，武汉纺织大学计算机与人工智能学院讲师，研究方向为无线技术、柔性可穿戴技术及智能健康。
- 基金信息：
  
  湖北省自然科学基金一般项目(2022CFB563)
- DOI：10.11907/rjdk.251093
  中图分类号： TP391.41
- 收稿：2025-03-18，
  
  纸质出版：2026-04-15
- 稿件说明：
移动端阅览
丁磊,方晨安,胡新荣等.基于多通道注意力的人体跳跃屈膝角度识别模型[J].软件导刊,2026,25(04):48-56.

DING Lei,FANG Chen’an,HU Xinrong,et al.Human Jumping Knee-Bending Angle Recognition Model Based on Multi-Channel Attention[J].Software Guide,2026,25(04):48-56.
丁磊,方晨安,胡新荣等.基于多通道注意力的人体跳跃屈膝角度识别模型[J].软件导刊,2026,25(04):48-56. DOI： 10.11907/rjdk.251093.

DING Lei,FANG Chen’an,HU Xinrong,et al.Human Jumping Knee-Bending Angle Recognition Model Based on Multi-Channel Attention[J].Software Guide,2026,25(04):48-56. DOI： 10.11907/rjdk.251093.

摘要

目前，深度学习与可穿戴设备的结合在运动定量评估领域得到了广泛应用，并展现出重要的理论价值和应用潜力。然而，传统神经网络方法在处理具有不同运动质量的细粒度动作时，难以有效提取关键的多维度特征，从而限制了其在精确识别和深入分析个体运动行为时的性能。为了解决这一问题，提出一种多通道注意力模型（Conv+CEA+AG），旨在通过多通道注意力（CEA）机制增强对动作重要特征的捕捉能力，从而提升运动行为分析的精确性。首先，采集不同屈膝角度下的人体跳跃运动数据，并对传感器信号进行预处理，提取有效的跳跃周期信号以构建跳跃运动数据集。其次，将集成多通道注意力（CEA）的神经网络应用于数据集，构建了跳跃运动屈膝角度检测模型。实验结果表明，该模型在分类任务中达到了94.32%的准确率，在回归任务中实现了2.04°的平均绝对误差。与传统的神经网络模型（Conv+GRU）及现有模型（Conv+CIE+AG）相比，准确率分别提升了12.47%和6.08%，平均绝对误差分别下降了3.49°和3.09°，证明了该模型在屈膝角度识别方面表现更优异。

Abstract

Currently， the combination of deep learning and wearable devices is widely used in the field of quantitative movement assessment and shows important theoretical value and application potential. However， traditional neural network methods are difficult to effectively extract key multidimensional features when dealing with fine-grained actions with different motion qualities， which limits their performance in accurately recognizing and deeply analyzing individual motion behaviors. To address this problem， a multi-channel attention model（Conv+CEA+AG） is proposed， aiming to enhance the ability to capture important features of the action through the multi-channel attention （CEA） mechanism， and thus improve the accuracy of the analysis of motor behavior. Firstly， human jumping motion data under different knee flexion angles are collected， and the sensor signals are preprocessed to extract effective jumping cycle signals in order to construct a jumping motion dataset. Subsequently， a neural network with integrated multi-channel attention is applied to the dataset to construct a jumping motion knee-bending angle detection model. The experimental results show that the proposed model achieves 94.32% accuracy in the classification task and 2.04° mean absolute error in the regression task. Compared with the traditional neural network model （Conv+GRU） and the previous proposed model （Conv+CIE+AG）， the accuracy is improved by 12.47% and 6.08%， and the average absolute error decrease by 3.49° and 3.09°， respectively， which prove that the model demonstrate a better performance in knee-bending angle recognition.

关键词

Keywords

references

ZHANG Y W ， LI R X ， DAI J W ， et al . Activity recognition algorithm based on multi-feature fusion ［J］. Software Guide ， 2022 ， 21 （ 3 ）： 72 - 77 .

张耀威，李瑞祥，戴健威，等 . 基于多特征融合的活动识别算法［J］. 软件导刊， 2022 ， 21 （ 3 ）： 72 - 77 .

DRAZAN J F ， PHILLIPS W T ， SEETHAPATHI N ， et al . Moving outside the lab： markerless motion capture accurately quantifies sagittal plane kinematics during the vertical jump ［J］. Journal of Biomechanics ， 2021 ， 125 ： 110547 . doi: 10.1101/2021.03.16.435503 http://dx.doi.org/10.1101/2021.03.16.435503

ARULAMPALAM J ， PIERREPONT J ， KARK L . Markerless motion capture： validity of Microsoft Kinect cameras and iPisoft ［J］. Gait & Posture ， 2015 ， 42 ： S76 . doi: 10.1016/j.gaitpost.2015.06.141 http://dx.doi.org/10.1016/j.gaitpost.2015.06.141

MASCIA G ， DE LAZZARI B ， CAMOMILLA V . Machine learning aided jump height estimate democratization through smartphone measures ［J］. Frontiers in Sports and Active Living ， 2023 ， 5 ： 1112739 . doi: 10.3389/fspor.2023.1112739 http://dx.doi.org/10.3389/fspor.2023.1112739

LU Y Z ， WANG H ， HU F ， et al . Effective recognition of human lower limb jump locomotion phases based on multi-sensor information fusion and machine learning ［J］. Medical & Biological Engineering & Computing ， 2021 ， 59 ： 883 - 899 . doi: 10.1007/s11517-021-02335-9 http://dx.doi.org/10.1007/s11517-021-02335-9

JAITNER T ， SCHMIDT M ， NOLTE K ， et al . Vertical jump diagnosis for multiple athletes using a wearable inertial sensor unit ［J］. Sports Technology ， 2015 ， 8 （ 1 ）： 51 - 57 . doi: 10.1080/19346182.2015.1117476 http://dx.doi.org/10.1080/19346182.2015.1117476

SUN T ， LI D X ， FAN B F ， et al . Real-time ground reaction force and knee extension moment estimation during drop landings via modular LSTM modeling and wearable IMUs ［J］. IEEE Journal of Biomedical and Health Informatics ， 2023 ， 27 （ 7 ）： 3222 - 3233 . doi: 10.1109/JBHI.2023.3268239 http://dx.doi.org/10.1109/JBHI.2023.3268239

OLAWORE I . Measurement of ankle joint kinematics using IMUs during countermovement jumps and lateral skater jumps ［J］. Open Access Library Journal ， 2024 ， 11 （ 7 ）： 1 - 13 . doi: 10.4236/oalib.1111809 http://dx.doi.org/10.4236/oalib.1111809

ABEDIN A ， EHSANPOUR M ， SHI Q ， et al . Attend and discriminate： beyond the state-of-the-art for human activity recognition using wearable sensors ［J］. Proceedings of the ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies ， 2021 ， 5 （ 1 ）： 1 - 22 . doi: 10.1145/3448083 http://dx.doi.org/10.1145/3448083

WOCHATZ M ， TILGNER N ， MUELLER S ， et al . Reliability and validity of the Kinect V2 for the assessment of lower extremity rehabilitation exercises ［J］. Gait & Posture ， 2019 ， 70 ： 330 - 335 . doi: 10.1016/j.gaitpost.2019.03.020 http://dx.doi.org/10.1016/j.gaitpost.2019.03.020

FREITAS-JUNIOR C G D ， PAES P P ， FORTES L D S ， et al . Reliability of the high-speed camera-based system （HSC-Kinovea） for lower-limb explosive strength endurance assessment in athletes ［J］. Journal of Physical Education ， 2021 ， 32 （ 1 ）： 1 - 8 . doi: 10.4025/jphyseduc.v32i1.3220 http://dx.doi.org/10.4025/jphyseduc.v32i1.3220

STRUTZENBERGER G ， KANKO R ， SELBIE S ， et al . Assessment of kinematic CMJ data using a deep learning algorithm-based markerless motion capture system ［J］. ISBS Proceedings Archive ， 2021 ， 39 （ 1 ）： 236 .

QUAGLIARELLA L ， SASANELLI N ， BELGIOVINE G ， et al . Evaluation of standing vertical jump by ankles acceleration measurement ［J］. The Journal of Strength & Conditioning Research ， 2010 ， 24 （ 5 ）： 1229 - 1236 . doi: 10.1519/jsc.0b013e3181cb281a http://dx.doi.org/10.1519/jsc.0b013e3181cb281a

GRAINGER M ， WEISBERG A ， STERGIOU P ， et al . Comparison of two methods in the estimation of vertical jump height ［J］. Journal of Human Sport and Exercise ， 2020 ， 15 （ 3 ）： 623 - 632 . doi: 10.14198/jhse.2020.153.12 http://dx.doi.org/10.14198/jhse.2020.153.12

ORDÓÑEZ F J ， ROGGEN D . Deep convolutional and LSTM recurrent neural networks for multimodal wearable activity recognition ［J］. Sensors ， 2016 ， 16 （ 1 ）： 115 . doi: 10.3390/s16010115 http://dx.doi.org/10.3390/s16010115

HOU Q B ， ZHOU D Q ， FENG J S . Coordinate attention for efficient mobile network design ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2021 ： 13713 - 13722 . doi: 10.1109/cvpr46437.2021.01350 http://dx.doi.org/10.1109/cvpr46437.2021.01350

GUO M H ， LIU Z N ， MU T J ， et al . Beyond self-attention： external attention using two linear layers for visual tasks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2022 ， 45 （ 5 ）： 5436 - 5447 .

GUO M H ， CAI J X ， LIU Z N ， et al . PCT： point cloud transformer ［J］. Computational Visual Media ， 2021 ， 7 ： 187 - 199 . doi: 10.1007/s41095-021-0229-5 http://dx.doi.org/10.1007/s41095-021-0229-5

MURAHARI V S ， PLÖTZ T . On attention models for human activity recognition ［C］// Proceedings of the 2018 ACM International Symposium on Wearable Computers ， 2018 ： 100 - 103 . doi: 10.1145/3267242.3267287 http://dx.doi.org/10.1145/3267242.3267287

WANG J ， ZHENG V W ， CHEN Y ， et al . Deep transfer learning for cross-domain activity recognition［DB/OL］ . https：//arxiv.org/pdf/1807.07963 https://arxiv.org/pdf/1807.07963 . doi: 10.1145/3265689.3265705 http://dx.doi.org/10.1145/3265689.3265705

WEN Y D ， ZHANG K P ， LI Z F ， et al . A discriminative feature learning approach for deep face recognition ［C］// European Conference on Computer Vision ， 2016 ： 499 - 515 . doi: 10.1007/978-3-319-46478-7_31 http://dx.doi.org/10.1007/978-3-319-46478-7_31

ZHANG Q L ， YANG Y B . SA-Net： shuffle attention for deep convolutional neural networks ［C］// 2021 IEEE International Conference on Acoustics， Speech and Signal Processing ， 2021 ： 2235 - 2239 . doi: 10.1109/icassp39728.2021.9414568 http://dx.doi.org/10.1109/icassp39728.2021.9414568

MISRA D ， NALAMADA T ， ARASANIPALAI A U ， et al . Rotate to attend： convolutional triplet attention module ［C］// Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision ， 2021 ： 3139 - 3148 . doi: 10.1109/wacv48630.2021.00318 http://dx.doi.org/10.1109/wacv48630.2021.00318

LI X ， WANG W H ， HU X L ， et al . Selective kernel networks ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2019 ： 510 - 519 . doi: 10.1109/cvpr.2019.00060 http://dx.doi.org/10.1109/cvpr.2019.00060

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于深层双向LSTM与MultiHeadAttention的敏感文本识别

基于深度学习的肾上腺CT图像分割研究综述

基于深度学习的甲骨文图像检测与识别创新应用及改进研究

基于SA-CNN-LSTM的广西土壤速效氮含量预测方法研究

融合分割与分类模型的遥感图像目标检测方法