拳法分类系统技术文档

项目概述

基于六维力传感器数据的拳法分类系统，使用支持向量机（SVM）对9种不同拳法进行自动识别和分类。

系统特点

高精度分类：测试集准确率达到84.21%
多类别支持：支持9种拳法的识别
特征工程优化：提取122维特征并降维至40维
数据不平衡处理：使用class_weight平衡样本权重

技术架构

1. 数据来源

传感器设置：六维力传感器放置于立式沙袋下方
数据采集：采样率50Hz，记录每次打击的完整力学响应
数据格式：JSON格式，包含sensor_data和punch_info两部分

2. 拳法类别

系统支持以下9种拳法分类：

刺拳
右手摆拳
右手直拳
右手勾拳击体
右手勾拳击头
左手摆拳
左手直拳
左手勾拳击体
左手勾拳击头

3. 数据结构

sensor_data格式

{
  "编号": 292,
  "时间": 7.738439321517944,
  "Fx": -32.08159456759245,
  "Fy": -20.730219690487207,
  "Fz": -40.28523895934745,
  "Mx": -44.52140103653073,
  "My": 72.51020076870918,
  "Mz": 0.0,
  "raw_data": [...]
}

punch_info格式

{
  "punch_type": "刺拳",
  "peak_force": 79.22955278600695,
  "avg_force": 59.94796724876606,
  "duration_ms": 157.4251651763916,
  "confidence": 0.5659253770429068,
  "impulse": 9.83270228526255,
  "impact_position": [-0.33, 0.009, 5.18],
  "impact_direction": [0.74, 0.65, -0.13],
  "position_confidence": 0.5864065236199365
}

特征工程

1. 统计特征 (54维)

对六维力数据（Fx, Fy, Fz, Mx, My, Mz）各计算9个统计量：

基础统计：均值、标准差、最大值、最小值、中位数
分位数特征：25%分位数、75%分位数
分布特征：偏度（skewness）、峰度（kurtosis）

# 示例：Fx维度的统计特征
fx_features = [
    np.mean(fx_data),        # 均值
    np.std(fx_data),         # 标准差
    np.max(fx_data),         # 最大值
    np.min(fx_data),         # 最小值
    np.median(fx_data),      # 中位数
    np.percentile(fx_data, 25),  # 25%分位数
    np.percentile(fx_data, 75),  # 75%分位数
    stats.skew(fx_data),     # 偏度
    stats.kurtosis(fx_data)  # 峰度
]

2. 时序特征 (42维)

捕获拳法的动态演化模式，每维计算7个时序特征：

峰值时间比例：峰值出现的时间位置
上升比例：从开始到峰值的时间占比
下降比例：从峰值到结束的时间占比
变异系数：标准差与均值的比值
波动率：相邻点差值的标准差
上升斜率：峰值前的平均变化率
下降斜率：峰值后的平均变化率

3. 交叉相关特征 (6维)

分析六维力之间的相互关系：

轴间相关：Fx-Mx, Fy-My, Fz-Mz相关系数
合力相关：总合力与总合力矩的相关性
力的相关：Fx-Fy, Fx-Fz相关系数

4. 复合特征 (8维)

从物理角度提取的综合特征：

合力统计：平均合力、最大合力、合力标准差
合力矩统计：平均合力矩、最大合力矩、合力矩标准差
序列长度：打击持续时间的采样点数
力矩比：平均合力与平均合力矩的比值

5. 撞击信息特征 (12维)

来自punch_info的预处理特征：

力学参数：峰值力、平均力、持续时间、置信度、冲量
空间特征：撞击位置(x,y,z)、撞击方向(x,y,z)
置信度：位置置信度

算法流程

1. 数据预处理流程

def prepare_data(raw_data, labels):
    # 1. 特征提取
    features = extract_all_features(raw_data)  # 122维原始特征

    # 2. 数据清洗
    features = remove_invalid_features(features)

    # 3. 特征标准化
    features_scaled = StandardScaler().fit_transform(features)

    # 4. 特征选择
    features_selected = SelectKBest(k=40).fit_transform(features_scaled)

    # 5. 标签编码
    labels_encoded = LabelEncoder().fit_transform(labels)

    return features_selected, labels_encoded

2. 模型训练流程

def train_model(X, y):
    # 1. 数据划分
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, stratify=y, random_state=42
    )

    # 2. 超参数网格搜索
    param_grid = [
        {'C': [1, 10, 100], 'kernel': ['rbf'], 'class_weight': ['balanced']},
        {'C': [1, 10, 100], 'kernel': ['linear'], 'class_weight': ['balanced']}
    ]

    # 3. 交叉验证训练
    svm_model = GridSearchCV(SVC(), param_grid, cv=3, scoring='accuracy')
    svm_model.fit(X_train, y_train)

    # 4. 模型评估
    y_pred = svm_model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)

    return svm_model, accuracy

性能指标

1. 整体性能

测试集准确率：84.21%
交叉验证得分：79.44%
训练样本数：93个拳击事件
特征维度：122维 → 40维（特征选择后）

2. 各类别性能详情

拳法类别	精确率	召回率	F1分数	样本数
刺拳	100%	100%	100%	2
右手勾拳击体	100%	100%	100%	2
右手摆拳	100%	100%	100%	2
右手直拳	100%	100%	100%	2
左手摆拳	100%	100%	100%	2
左手勾拳击头	67%	100%	80%	2
左手直拳	60%	100%	75%	3
右手勾拳击头	100%	50%	67%	2
左手勾拳击体	0%	0%	0%	2

3. 关键优化效果

数据不平衡处理：使用class_weight='balanced'显著提升小样本类别性能
特征工程优化：从85维基础特征提升至122维增强特征
特征选择：通过SelectKBest选择最优40维特征，避免过拟合
核函数选择：RBF核在该数据集上表现最佳

使用方法

1. 环境要求

pip install numpy scikit-learn matplotlib scipy

2. 快速开始

from punch_svm_classifier_lite import LitePunchSVMClassifier, PunchDataLoader

# 1. 加载数据
loader = PunchDataLoader("Data")
raw_data, labels = loader.load_all_data()

# 2. 训练模型
classifier = LitePunchSVMClassifier()
X, y = classifier.prepare_data(raw_data, labels)
results = classifier.train(X, y)

# 3. 模型预测
# new_sample = extract_features(new_punch_data)
# prediction = classifier.svm_model.predict(new_sample)

3. 文件结构

punchClassify/
├── Data/                          # 训练数据目录
│   ├── 刺拳 10/
│   ├── 右手摆拳 10拳/
│   └── ...
├── punch_svm_classifier.py        # 基础版本分类器
├── punch_svm_classifier_lite.py   # 轻量级优化版本（推荐）
├── trainSVM.py                     # 原始演示代码
└── README.md                       # 本文档

算法原理

1. SVM分类原理

支持向量机通过寻找最优超平面来实现分类：

线性可分：直接寻找分离超平面
非线性：通过核函数映射到高维空间
多分类：使用one-vs-rest策略

2. 核函数选择

本系统最佳核函数为RBF（径向基函数）：

K(xi, xj) = exp(-γ||xi - xj||²)

优点：能处理非线性关系，适合高维特征
参数：C=1, γ=scale（自适应调整）

3. 特征选择原理

使用方差分析F检验选择特征：

F = Var_between_groups / Var_within_groups

选择F值最大的40个特征，平衡信息保留与维度降低。

技术限制与改进方向

1. 当前限制

样本数量：总样本93个，平均每类约10个样本
类别不平衡：某些类别识别困难（如左手勾拳击体）
传感器位置：固定在沙袋下方，限制了撞击角度的多样性

2. 改进方向

数据增强：
- 增加训练样本数量
- 使用数据合成技术生成虚拟样本
- 添加不同力度、速度的变化样本
算法优化：
- 尝试集成学习方法（Random Forest、XGBoost）
- 探索深度学习方法（LSTM、CNN）
- 使用半监督学习利用无标签数据
特征工程：
- 增加频域分析（FFT特征）
- 小波变换提取多尺度特征
- 基于物理模型的特征设计
系统扩展：
- 实时分类系统开发
- 支持更多拳法类别
- 个性化适应不同用户的打击风格

参考文献

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning.
Chang, C. C., & Lin, C. J. (2011). LIBSVM: a library for support vector machines.
Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python.

版本历史

v1.0（基础版）：基础特征提取，准确率68.42%
v2.0（轻量级优化版）：增强特征工程，准确率84.21%

联系方式

如有问题或建议，请通过以下方式联系：

项目仓库：[GitHub链接]
技术支持：[邮箱地址]

最后更新：2025年9月24日

Name		Name	Last commit message	Last commit date
Latest commit History 3 Commits
.claude		.claude
.idea		.idea
Data		Data
PROJECT_SUMMARY.md		PROJECT_SUMMARY.md
README.md		README.md
USAGE.md		USAGE.md
config.py		config.py
punch_svm_classifier.py		punch_svm_classifier.py
punch_svm_classifier_lite.py		punch_svm_classifier_lite.py
punch_svm_classifier_optimized.py		punch_svm_classifier_optimized.py
trainSVM.py		trainSVM.py

WAguai/punchAlgorithm

Folders and files

Latest commit

History

Repository files navigation