(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111669774.X (22)申请日 2021.12.31 (71)申请人 深圳千岸科技股份有限公司 地址 518101 广东省深圳市宝安区新 安街 道创业二路北二巷七星创意工场创新 楼5楼 (72)发明人 何定　刘治　车浩流　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 代理人 孙果 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/10(2006.01)A63B 69/00(2006.01) (54)发明名称 一种基于孪生神经网络的健身动作判别方 法及智能沙包 (57)摘要 本发明公开了一种基于孪生神经网络的健 身动作判别方法及智能沙包， 包括步骤： 基于标 准健身动作构建标准数据特征向量； 基于用户健 身动作构建用户数据特征向量； 将所述标准数据 特征向量和所述用户数据特征向量输入所述孪 生神经网络； 基于所述孪生神经网络， 确定所述 标准数据特征向量与所述用户数据特征向量之 间的分类结果和距离结果； 根据所述分类结果和 所述距离 结果得到判别结果， 确定所述用户健身 动作相对于所述标准健身动作的准确度。 本发明 通过提取特征， 然后使用孪生神经网络进行分类 和距离的计算， 最后对两个模型的结果进行组合 实现最后的判别， 从而帮助用户在达到锻炼的目 的时不伤害 身体。 权利要求书2页 说明书9页 附图3页 CN 114330575 A 2022.04.12 CN 114330575 A 1.一种基于 孪生神经网络的健身动作判别方法， 其特 征在于， 所述方法包括： 基于标准 健身动作构建标准数据特 征向量； 基于用户健身动作构建用户数据特 征向量； 将所述标准数据特 征向量和所述用户数据特 征向量输入所述孪生神经网络； 基于所述孪生神经网络， 确定所述标准数据 特征向量与 所述用户数据 特征向量之间的 分类结果和距离结果； 根据所述分类结果和所述距离结果得到判别结果， 确定所述用户健身动作相对于所述 标准健身动作的准确度。 2.根据权利要求1所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述健 身动作是作用于 沙包的健身动作。 3.根据权利要求2所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述基 于标准健身动作构建标准数据特 征向量包括： 每隔一时间间隔， 记录所述沙包在所述标准健身动作作用下的第 一三轴加速度和第 一 三轴角速度； 基于所述第 一三轴加速度和所述第 一三轴角速度， 构建所述标准健身动作的第 一欧式 距离向量和第一 余弦距离向量作为所述标准数据特 征向量； 所述第一欧式距离向量表达式为： 所述第一 余弦距离向量表达式为： 其中(xi,yi,zi)为沙包在所述标准健身动作作用下的实时数据， (x0,y0,z0)为沙包的初 始数据。 4.根据权利要求3所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述基 于用户健身动作构建用户数据特 征向量包括： 每隔所述 时间间隔， 记录所述沙包在所述用户健身动作作用下的第 二三轴加速度和第 二三轴角速度； 基于所述第 二三轴加速度和所述第 二三轴角速度， 构建所述用户健身动作的第 二欧式 距离向量和第二 余弦距离向量作为所述用户数据特 征向量； 所述第二欧式距离向量表达式为： 所述第二 余弦距离向量表达式为： 其中(xj,yj,zj)为沙包在所述用户健身动作作用下的实时数据， (x0,y0,z0)为沙包的初 始数据。权　利　要　求　书 1/2 页 2 CN 114330575 A 25.根据权利要求4所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述 时 间间隔为10 0ms。 6.根据权利要求4所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述基 于所述孪生神经网络， 确定所述标准数据特征向量与所述用户数据特征向量之 间的分类结 果和距离结果包括： 利用交叉熵损失函数， 确定所述用户数据 特征向量与 所述标准数据特征向量之间的分 类结果； 利用对比损失函数， 确定所述用户数据特征向量与所述标准数据 特征向量之间的距离 结果。 7.根据权利要求6所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述交 叉熵损失函数的表达式为： 其中yi表示所述标准数据特征向量与所述用户数据特征向量是否匹配， 当所述标准数 据特征向量与所述用户数据特征向量相匹配时yi＝1， 当所述标准数据特征向量与所述用 户数据特征向量不相匹配时yi＝0； N为所述标准数据特征向量与所述用户数据特征向量的 个数； pi为预测yi＝1的概率。 8.根据权利要求6所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述对 比损失函数的表达式为： 其中Dw为所述标准数据特征向量与所述用户数据特征向量之间的欧式距离； margin为 设定的阈值； N为所述标准数据特征向量与所述用户数据特征向量的个数； Y为所述标准数 据特征向量与所述用户数据特征向量是否匹配， 当所述标准数据特征向量与所述用户数据 特征向量相匹配时Y＝1， 当所述标准数据特征向量与所述用户数据特征向量不相匹配时Y ＝0。 9.根据权利要求6所述的基于孪生神经网络的健身动作判别方法， 其特征在于， 所述根 据所述分类结果和所述距离结果得到判别结果， 确定所述用户健身动作相对于所述标准健 身动作的准确度包括： 使用优化器对所述交叉熵损失函数和所述对比损失函数进行梯度优化与反 向传播， 更 新所述孪生神经网络的模型参数， 使得迭代后所述分类结果和所述距离结果之间距离最 小， 以输出 所述判别结果。 10.一种智能沙包， 其特征在于， 所述智能沙包包括： 沙包本体， 设置在所述沙包本体 内 的传感器， 从所述传感器接 收所述沙包本体的三轴角速度和三轴加速度的处理器， 与所述 处理器相连 的存储器及存储在所述存储器上并可在所述处理器上运行的基于孪生神经网 络的健身动作判别程序， 所述基于孪生神经网络的健身动作判别程序被所述处理器执行时 实现如权利要求1 ‑9任一项所述的基于 孪生神经网络的健身动作判别方法的步骤。权　利　要　求　书 2/2 页 3 CN 114330575 A 3