羽毛球扣球损伤生物力学分析系统

AI 视频姿态估计 x 生物力学 x 运动医学

分析视频 (骨骼 + 风险标记)

数据图表

点击图表可在新窗口查看大图

技术原理与算法设计

流程图

用户上传扣球视频后，系统通过 MediaPipe BlazePose（33 关键点 3D 人体姿态估计模型）逐帧提取人体姿态序列。对检测失败的帧进行线性插值填补，使用 Savitzky-Golay 滤波器（窗口 11 帧，2 阶多项式）平滑轨迹，以髋部中点为原点进行坐标归一化。随后计算关节角度、角速度、落地冲击指标、膝外翻角等生物力学参数，通过动力链时序分析和国际运动医学文献阈值比对，对 ACL 损伤、膝外翻、肩袖损伤、网球肘、跟腱损伤 5 类常见损伤进行独立分级评估，最终生成骨骼标注分析视频、三栏综合数据图表和文字评估报告。

软件基础设置信息

软件系统设计

系统架构

核心模块说明

1. 视频上传与文件管理 — Flask 框架处理 multipart/form-data 上传，自动创建 data/uploads/（视频存储）和 data/output/（结果输出）目录，每次分析以视频文件名为标识隔离结果文件。

2. 姿态提取引擎 — 基于 mediapipe==0.10.9 的 BlazePose 模型，逐帧提取 33 个关键点的 3D 世界坐标（x, y, z, visibility）。对检测置信度 <0.5 的帧进行线性插值填补，使用 Savitzky-Golay 滤波器（窗口 11 帧，2 阶多项式）平滑关节轨迹，消除逐帧抖动噪声。以髋部中点（左右髋关节连线中点）为原点进行坐标归一化，消除人物在画面中的绝对位置和体型差异影响。

3. 生物力学计算 — 通过三点法计算关节角度：θ = arccos((BA·BC) / (|BA| × |BC|)) × 180/π；中心差分法计算角速度：ω = dθ/dt × fps。膝外翻角通过将髋-膝-踝向量投影至 XZ 额状面计算偏角。落地检测通过寻找膝关节屈曲角全局最小值帧实现，同时计算落地瞬间的屈膝角、膝外翻角、髋屈曲角等冲击指标。

4. 动力链分析 — 检测各关节（膝→髋→肩→肘→腕）角速度峰值时刻，与标准羽毛球扣球动力链顺序逐一比对评分。计算相邻关节角速度曲线的重叠积分评估力量传递平滑度。标准动力链为 膝→髋→肩→肘→腕，断裂（如肩在髋之前发力）会导致远端关节代偿，是肩袖损伤和网球肘的重要诱因。

5. 损伤风险评估 — 分层评估架构，5 类损伤独立评估：

每类损伤评估后取最高等级作为综合评级（low / medium / high / critical），同时给出针对性的改进建议。

6. 可视化输出 — 生成三类成果： © 骨骼标注分析视频（MP4）— 原视频叠加 33 关键点骨架连线，风险关节以颜色高亮（绿/黄/橙/红对应低/中/高/极高风险），叠加风险标签和改进建议文字； © 三栏综合数据图表（PNG，150 DPI）— Panel 1 关节角度时间曲线 + ACL 阈值线，Panel 2 角速度时间曲线 + 精英运动员参考线，Panel 3 损伤风险水平条形图 + 综合评级； © JSON 结构化报告 — 包含所有量化指标和风险评估结果的完整数据。

参数配置

风险关节 — 关键点映射配置

# MediaPipe BlazePose 33 关键点拓扑 — 持拍侧关节索引
RACKET_SIDE = {
    'shoulder': 11,   # 右肩（假设右手持拍）
    'elbow':    13,   # 右肘
    'wrist':    15,   # 右腕
    'hip':      23,   # 右髋
    'knee':     25,   # 右膝
    'ankle':    27,   # 右踝
}

# 风险类型 → 关节映射
RISK_JOINT_MAP = {
    '膝关节 (Knee)':      25,   # ACL / 膝外翻
    '肩关节 (Shoulder)':   11,   # 肩袖损伤
    '肘关节 (Elbow)':      13,   # 网球肘
    '跟腱 (Achilles)':     27,   # 跟腱损伤
    '全身动力链':          -1,   # 动力链断裂
}

# 风险等级 → 可视化颜色 (BGR)
RISK_COLORS = {
    'critical': (0, 0, 255),     # 红色 — 极高风险
    'high':     (0, 165, 255),   # 橙色 — 高风险
    'medium':   (0, 255, 255),   # 黄色 — 中等风险
    'low':      (0, 255, 0),     # 绿色 — 低风险
}

姿态提取模块

import mediapipe as mp
import numpy as np
from scipy.signal import savgol_filter

def extract_poses(video_path, output_npy=None):
    cap = cv2.VideoCapture(video_path)
    fps = cap.get(cv2.CAP_PROP_FPS) or 30.0
    poses_raw = []
    with mp.solutions.pose.Pose(
        static_image_mode=False,
        model_complexity=2,        # 最高精度模型
        min_detection_confidence=0.5,
        min_tracking_confidence=0.5
    ) as pose:
        while True:
            ret, frame = cap.read()
            if not ret: break
            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            result = pose.process(frame_rgb)
            if result.pose_world_landmarks:
                lm = result.pose_world_landmarks
                kps = np.array([[l.x, l.y, l.z] for l in lm.landmark])
            else:
                kps = np.full((33, 3), np.nan)
            poses_raw.append(kps)
    cap.release()
    # 线性插值填补缺失帧 + SG 滤波平滑
    poses = np.array(poses_raw)
    for j in range(33):
        for c in range(3):
            nan_mask = np.isnan(poses[:, j, c])
            if nan_mask.any():
                xp = np.where(~nan_mask)[0]
                fp = poses[~nan_mask, j, c]
                poses[:, j, c] = np.interp(np.arange(len(poses)), xp, fp)
            poses[:, j, c] = savgol_filter(poses[:, j, c], 11, 2)
    return poses, fps

生物力学计算模块

def compute_all_angles(poses_norm):
    def angle_3pts(a, b, c):
        ba = a - b; bc = c - b
        cos = np.clip(np.sum(ba * bc, axis=-1) /
                      (np.linalg.norm(ba, axis=-1) * np.linalg.norm(bc, axis=-1) + 1e-8),
                      -1.0, 1.0)
        return np.degrees(np.arccos(cos))

    hip, knee, ankle = 23, 25, 27  # 右侧关节索引
    shoulder, elbow, wrist = 11, 13, 15
    angles = {}
    angles['knee_flexion'] = angle_3pts(poses_norm[:, hip], poses_norm[:, knee], poses_norm[:, ankle])
    angles['shoulder_angle'] = angle_3pts(poses_norm[:, 23], poses_norm[:, shoulder], poses_norm[:, elbow])
    angles['elbow_angle'] = angle_3pts(poses_norm[:, shoulder], poses_norm[:, elbow], poses_norm[:, wrist])
    return angles

def compute_landing_impact_indicators(poses_norm, fps):
    angles = compute_all_angles(poses_norm)
    knee_angles = angles['knee_flexion']
    landing_frame = int(np.argmin(knee_angles))
    return {
        'landing_frame': landing_frame,
        'knee_flexion_at_landing': float(knee_angles[landing_frame]),
    }

参考文献

© 2026 Badminton Smash Biomechanical Analysis System — MIT License