基于锤击动作的体感游戏方法与流程

1.本发明涉及体感游戏技术领域，尤其涉及一种基于锤击动作的体感游戏方法、装置、设备及计算机可读存储介质。


背景技术：

2.传统的体感游戏方法需要通过加速度数据和角速度数据进行动作识别，从而实现对玩家动作的捕捉和识别。然而，这种方法存在以下缺点：
3.1、硬件要求高：加速度数据和角速度数据需要进行信号处理和滤波，同时需要进行特征提取和分类等计算。这些计算都需要占用大量的计算资源，对于一些体感设备来说，可能难以支持这些计算。
4.2、识别精度差：加速度数据和角速度数据只能提供一些基本的信息，如加速度和角速度的大小和方向等，但无法提供更多的细节信息。同时，玩家的动作也可能存在很多变化和细微的差异，这些差异可能会导致识别精度的下降。


技术实现要素：

5.本技术实施例通过提供一种基于锤击动作的体感游戏方法，旨在降低体感游戏的硬件要求的同时，提高动作识别精度。
6.为实现上述目的，本技术实施例提供了一种基于锤击动作的体感游戏方法，包括：
7.在体感游戏启动后，从绑定的体感设备获取加速度数据；
8.将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；
9.若是，则生成锤击动作指令；
10.根据所述锤击动作指令生成锤击动画。
11.在一实施例中，将所述加速度数据输入预训练的人工神经网络模型，以判断用户是否完成有效的锤击动作，包括：
12.从所述加速度数据中提取出波形特征作为输入特征；
13.将所述波形特征输入预训练的全连接神经网络进行分类；
14.根据所述全连接神经网络的输出判断用户是否完成有效的锤击动作。
15.在一实施例中，所述全连接神经网络的表达式如下：
[0016][0017][0018]
其中，yi表示第i个神经元的输出，即所需的分类结果；w
i,j
表示第i个神经元与第j个输入特征之间的权重；xj表示第j个输入特征；bi表示第i个神经元的偏置；f(x)为激活函数。
[0019]
在一实施例中，从所述加速度数据中提取出波形特征作为输入特征，包括：
[0020]
根据所述加速数据中的z轴加速度数据提取波形特征作为所述输入特征。
[0021]
在一实施例中，在完成捶打动作之前，所述方法还包括：
[0022]
根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标。
[0023]
在一实施例中，根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标，包括：
[0024]
根据x轴加速度数据和y轴加速度数据计算体感设备的移动方向和移动距离；
[0025]
根据所述移动方向和移动距离移动所述锤击图标。
[0026]
在一实施例中，在锤击动作完成后，所述方法还包括：
[0027]
将所述锤击动作完成的时刻作为出锤击时刻；
[0028]
将所述锤击图标的当前位置作为锤击位置；
[0029]
根据所述锤击时刻和所述锤击位置输出锤击结果。
[0030]
为实现上述目的，本技术实施例还提出一种基于锤击动作的体感游戏装置，包括：
[0031]
获取模块，用于在体感游戏启动后，从绑定的体感设备获取加速度数据；
[0032]
判断模块，用于将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；
[0033]
生成模块，用于生成锤击动作指令；
[0034]
执行模块，用于根据所述锤击动作指令生成锤击动画。
[0035]
为实现上述目的，本技术实施例还提出一种基于锤击动作的体感游戏设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的基于锤击动作的体感游戏程序，所述处理器执行所述基于锤击动作的体感游戏程序时实现如上述任一项所述的基于锤击动作的体感游戏方法。
[0036]
为实现上述目的，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于锤击动作的体感游戏程序，所述基于锤击动作的体感游戏程序被处理器执行时实现如上述任一项所述的基于锤击动作的体感游戏方法。
[0037]
相比传统体感游戏方法需要同时使用加速度数据和角速度数据进行动作识别的方式，本技术从加速度数据中提取波形特征，通过全连接神经网络模型进行分类，可以简化识别过程，降低计算难度。同时，由于人工神经网络模型可以进行端到端的学习，具有良好的自适应能力，可以有效提高动作识别的精度，避免了传统方法中需要手动调整阈值等参数的过程，提高了识别精度。
[0038]
此外，本技术使用加速度数据中的z轴方向的加速度数据进行动作识别，相比使用多个方向的加速度数据，可以降低运动设备的要求和成本，并且可以有效避免因设备摆放角度不同导致的识别精度下降的问题。
[0039]
综上所述，本技术的技术方案是具有硬件要求低、识别精度高、计算难度低、成本低等优点，能够更好地提升体感游戏的用户体验。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0041]
图1为本发明基于锤击动作的体感游戏设备一实施例的模块结构图；
[0042]
图2为本发明基于锤击动作的体感游戏方法一实施例的流程示意图；
[0043]
图3为本发明基于锤击动作的体感游戏装置一实施例的模块结构图。
[0044]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0045]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0046]
为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0047]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。文中出现的“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的数量词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。而“第一”、“第二”、以及“第三”等的使用不表示任何顺序，可将这些词解释为名称。
[0048]
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的服务器1(又叫基于锤击动作的体感游戏设备)结构示意图。
[0049]
本发明实施例服务器，如“物联网设备”、带联网功能的智能空调、智能电灯、智能电源，带联网功能的ar/vr设备，智能音箱、自动驾驶汽车、pc，智能手机、平板电脑、电子书阅读器、便携计算机等具有显示功能的设备。
[0050]
如图1所示，所述服务器1包括：存储器11、处理器12及网络接口13。
[0051]
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是服务器1的内部存储单元，例如该服务器1的硬盘。存储器11在另一些实施例中也可以是服务器1的外部存储设备，例如该服务器1上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0052]
进一步地，存储器11还可以包括服务器1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于服务器1的应用软件及各类数据，例如基于锤击动作的体感游戏程序10的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0053]
处理器12在一些实施例中可以是一中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于锤击动作的体感游戏程序10等。
[0054]
网络接口13可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该服务器1与其他电子设备之间建立通信连接。
[0055]
网络可以为互联网、云网络、无线保真(wi-fi)网络、个人网(pan)、局域网(lan)和/或城域网(man)。网络环境中的各种设备可以被配置为根据各种有线和无线通信协议连接到通信网络。这样的有线和无线通信协议的例子可以包括但不限于以下中的至少一个：传输控制协议和互联网协议(tcp/ip)、用户数据报协议(udp)、超文本传输协议(http)、文件传输协议(ftp)、zigbee、edge、ieee 802.11、光保真(li-fi)、802.16、ieee 802.11s、ieee 802.11g、多跳通信、无线接入点(ap)、设备对设备通信、蜂窝通信协议和/或蓝牙(blue tooth)通信协议或其组合。
[0056]
可选地，该服务器还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在服务器1中处理的信息以及用于显示可视化的用户界面。
[0057]
图1仅示出了具有组件11-13以及基于锤击动作的体感游戏程序10的服务器1，本领域技术人员可以理解的是，图1示出的结构并不构成对服务器1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0058]
在本实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0059]
在体感游戏启动后，从绑定的体感设备获取加速度数据；
[0060]
将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；
[0061]
若是，则生成锤击动作指令；
[0062]
根据所述锤击动作指令生成锤击动画。
[0063]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0064]
将所述加速度数据输入预训练的人工神经网络模型，以判断用户是否完成有效的锤击动作，包括：
[0065]
从所述加速度数据中提取出波形特征作为输入特征；
[0066]
将所述波形特征输入预训练的全连接神经网络进行分类；
[0067]
根据所述全连接神经网络的输出判断用户是否完成有效的锤击动作。
[0068]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0069]
所述全连接神经网络的表达式如下：
[0070][0071][0072]
其中，yi表示第i个神经元的输出，即所需的分类结果；w
i,j
表示第i个神经元与第j个输入特征之间的权重；xj表示第j个输入特征；bi表示第i个神经元的偏置；f(x)为激活函数。
[0073]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游
戏程序，并执行以下操作：
[0074]
从所述加速度数据中提取出波形特征作为输入特征，包括：
[0075]
根据所述加速数据中的z轴加速度数据提取波形特征作为所述输入特征。
[0076]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0077]
在完成捶打动作之前，所述方法还包括：
[0078]
根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标。
[0079]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0080]
根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标，包括：
[0081]
根据x轴加速度数据和y轴加速度数据计算体感设备的移动方向和移动距离；
[0082]
根据所述移动方向和移动距离移动所述锤击图标。
[0083]
在一实施例中，处理器12可以用于调用存储器11中存储的基于锤击动作的体感游戏程序，并执行以下操作：
[0084]
在锤击动作完成后，所述方法还包括：
[0085]
将所述锤击动作完成的时刻作为出锤击时刻；
[0086]
将所述锤击图标的当前位置作为锤击位置；
[0087]
根据所述锤击时刻和所述锤击位置输出锤击结果。
[0088]
基于上述基于锤击动作的体感游戏设备的硬件构架，提出本发明基于锤击动作的体感游戏方法的实施例。本发明的基于锤击动作的体感游戏方法，旨在降低体感游戏的硬件要求的同时，提高动作识别精度。
[0089]
参照图2，图2为本发明基于锤击动作的体感游戏方法的一实施例，所述基于锤击动作的体感游戏方法包括以下步骤：
[0090]
s10、在体感游戏启动后，从绑定的体感设备获取加速度数据。
[0091]
这其中，该体感游戏为与锤击动作关联的体感游戏，其需要玩家利用体感设备进行锤击动作以展开游戏。通过该体感游戏，玩家能够让游戏角色挥动武器、球拍等对象进行相应的攻击、击球等动作。这样，玩家能够更真实地感受到挥击游戏的乐趣。
[0092]
示例性的，打地鼠游戏便是一种经典的与锤击动作关联的体感游戏。
[0093]
值得说明的是，该体感游戏可以为本地应用程序，也可以是基于html5的小程序或网页应用等。具体地，体感游戏在终端上运行，该终端可以为台式电脑、笔记本电脑、游戏主机、便携式游戏主机、智能手机、平板电脑、智能手表、智能电视等。
[0094]
体感设备是指能够检测玩家体感数据的设备，通常，体感设备被设置为包括六轴imu传感器，该六轴imu传感器包括三轴加速度计和三轴陀螺仪，该六轴imu传感器通过检测玩家的三轴加速度的变化和三轴角速度的变化以检测玩家的体感数据。
[0095]
在本技术的技术方案中，终端从体感设备获取的加速度数据为加速度计(也称为重力传感器)所直接采集得到的三轴加速度数据。该三轴加速度数据分别为x轴加速度数据、y轴加速度数据及z轴加速度数据。其中，x轴为前后方向的加速度轴，z轴为竖直方向的
加速度轴，y轴则为左右方向的加速度轴。如此，即使该体感设备仅具有重力传感器也能够通过体感动作完成锤击指令的输入。
[0096]
可选择地，该体感设备被设置为可穿戴式，其形态包括但不限于以下几种：手环、手表、游戏手柄、智能手机等。
[0097]
进一步地，在游戏前，该体感设备需要与终端建立通信连接(即与终端绑定)，这其中，体感设备与终端之间可以建立有线连接，也可建立无线连接。示例性的，当体感设备与终端建立有线连接时，可基于usb2.0协议、usb3.0协议、雷电3协议、雷电4协议中的至少一者；而当体感设备与终端建立无线连接时，可基于蓝牙协议、wifi协议、红外协议、2.4g通信协议、nfc协议中的至少一者。
[0098]
s20、将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作。
[0099]
具体来说，人工神经网络是一种模拟人脑神经元之间相互作用的数学模型。它可以用于模拟、预测和分类各种数据。因此，可能会使用人工神经网络模型来模拟人类大脑中的神经元和神经网络，以帮助理解人类的认知和行为。
[0100]
在一些实施例中，将所述加速度数据输入预训练的人工神经网络模型，以判断用户是否完成有效的锤击动作，包括：
[0101]
s21、从所述加速度数据中提取出波形特征作为输入特征。
[0102]
示例性的，可通过傅里叶变换、小波变换、滤波器、统计特征等方式从加速度数据中提取波形特征作为输入特征。具体来说，傅里叶变换可以将时域信号转换为频域信号，从而提取出频率特征，如主频率、频带能量等；小波变换可以将时域信号分解为不同频率的小波系数，从而提取出不同频率的特征信息；滤波器可通过将加速度数据进行滤波，可以去除噪声和干扰，同时提取出特定频率范围内的特征信息；统计特征可以计算加速度数据的一些统计特征，如均值、方差、最大值、最小值等，以及一些非线性特征，如波形峰度、偏度等。
[0103]
s22、将所述波形特征输入预训练的全连接神经网络进行分类。
[0104]
具体来说，全连接神经网络,也称为多层感知机(multilayer perceptron，mlp)，是一种用于机器学习和深度学习的前馈式神经网络模型。它由若干个神经元(节点)组成，每个神经元与前一层中的所有神经元相连。全连接神经网络可以通过训练得到一组权重参数，用于从输入特征向量到输出分类标签的映射。在训练过程中，通过反向传播算法，逐步优化网络参数，使得网络的分类准确性不断提高。
[0105]
具体地，该全连接神经网络的表达式如下：
[0106][0107][0108]
其中，yi表示第i个神经元的输出，即所需的分类结果；w
i,j
表示第i个神经元与第j个输入特征之间的权重；xj表示第j个输入特征；bi表示第i个神经元的偏置；f(x)为激活函数。
[0109]
进一步地，在将模型部署于游戏系统之前，我们可以基于以下步骤训练mlp模型，以使训练完成的mlp模型可用于锤击动作的识别：
[0110]
1、数据采集：首先需要从绑定的体感设备中采集加速度数据，以获取玩家的动作
信息。可以采集多组数据，每组数据包含一段时间内的加速度数据和相应的标签(锤击动作或非锤击动作)。
[0111]
2、数据预处理：对采集的加速度数据进行预处理，如去除噪声、平滑处理等，以便于提取特征和训练模型。
[0112]
3、特征提取：从预处理后的加速度数据中提取波形特征作为输入特征，可以选择傅里叶变换、小波变换、滤波器等方法进行特征提取。
[0113]
4、数据划分：将特征向量和相应的标签进行分割，分为训练集和测试集，通常采用7:3或8:2的比例进行划分。
[0114]
5、模型构建：根据mlp的网络结构，构建一个具有若干个隐层节点的神经网络，并选择合适的激活函数、损失函数和优化器。可以使用常见的python深度学习框架如tensorflow、pytorch等来构建模型。
[0115]
6、模型训练：将划分好的训练集数据输入到模型中，使用反向传播算法优化模型参数，不断迭代更新模型权重，直到模型训练收敛。可以使用交叉验证等方法来评估模型的训练效果。
[0116]
7、模型测试：使用测试集数据来评估模型的分类准确率、召回率等指标，并根据实际需求进行调整和优化。如果模型的测试效果不满足要求，可以尝试增加训练数据、调整网络结构、采用不同的特征提取方法等手段进行优化。
[0117]
s23、根据所述全连接神经网络的输出判断用户是否完成有效的锤击动作。
[0118]
具体来说，在mlp模型中，最后一层输出节点的激活函数通常采用softmax函数，将输出结果转换为概率分布。因此，可以通过以下步骤来根据模型的输出结果判断用户是否完成符合要求的锤击动作：
[0119]
1、预测结果：将测试数据输入到训练好的mlp模型中进行预测，得到一个概率分布向量，表示输入数据属于每个类别的概率。
[0120]
2、判断阈值：可以根据需要设定一个阈值，如0.5，将预测结果分成两类：锤击动作和非锤击动作。对于概率值大于阈值的样本，判定为锤击动作，反之则为非锤击动作。
[0121]
值得说明的是，如果需要判断连续的锤击动作序列，可以根据预测结果的时间序列，利用时间窗口或滑动窗口等方法进行处理，判断连续的预测结果是否达到了一定的阈值，如多个连续的预测结果都大于阈值，则判定为连续的锤击动作。
[0122]
可以理解，通过人工神经网络进行拳击动作判断可以带来以下好处：
[0123]
1、提高精度：人工神经网络可以通过对大量数据进行学习和训练，识别拳击动作的模式和规律，从而提高判断的准确性和精度。
[0124]
2、自动化判断：使用人工神经网络进行拳击动作判断可以实现自动化的判断，减少人为因素的影响，避免误判和主观判断的情况发生，提高判断的客观性和准确性。
[0125]
3、实时响应：人工神经网络可以快速地对输入数据进行处理，并实时响应，可以适用于实时拳击动作判断的场景，如拳击比赛的现场实时评分等。
[0126]
在一些实施例中，从所述加速度数据中提取出波形特征作为输入特征，包括：
[0127]
根据所述加速数据中的z轴加速度数据提取波形特征作为所述输入特征。
[0128]
可以理解的是，锤击动作通常是一种垂直向下的动作，因此其加速度变化主要集中在z轴方向上。将z轴方向的加速度数据作为输入特征，有利于突出锤击动作的特征，减少
其他方向的干扰。同时，由于z轴方向的加速度数据相对稳定，因此可以更容易地对其进行优化和调整，提高模型的准确度和稳定性。
[0129]
s30、若是，则生成锤击动作指令。
[0130]
具体来说，在判定玩家完成有效的锤击动作后，便可依此生成锤击指令。该锤击指令用以控制体感游戏中的锤击图标(如锤子)等执行锤击操作。
[0131]
s40、根据所述锤击动作指令生成锤击动画。
[0132]
示例性的，可以通过预先设计一些锤击动画，根据生成的锤击指令进行匹配和播放相应的动画。这种方法可以确保锤击动画的稳定性和质量，但需要耗费较多的设计和开发时间。
[0133]
示例性的，通过物理模拟的方式生成锤击动画，根据锤击指令和游戏环境的物理参数进行计算和模拟。这种方法可以确保锤击动画的稳定性和质量，但需要耗费较多的设计和开发时间。
[0134]
示例性的，可以将预先设计的动画和物理模拟相结合，根据不同的情况进行选择和切换。例如，在锤击过程中，可以先播放预先设计的动画，当锤击物体后，再切换到物理模拟的方式进行反弹和碰撞效果的计算和展示。这种方法可以平衡锤击动画的质量和计算复杂度，有助于提高游戏体验。
[0135]
在一些实施例中，在完成捶打动作之前，所述方法还包括：
[0136]
根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标。
[0137]
具体来说，锤击图标是指在体感游戏中，用来模拟用户锤击动作的图标或标志物。一般情况下，锤击图标可以是游戏界面中的一个图标或按钮，用户通过在体感设备上进行锤击动作，来触发相应的游戏操作或反馈。
[0138]
进一步地，可基于以下步骤调整锤击图标的位置：
[0139]
1、初始化锤击图标的位置：在游戏开始时，可以将锤击图标初始化到固定位置，例如屏幕中心。
[0140]
2、监测加速度数据：从体感设备中获取x轴和y轴的加速度数据，可以通过传感器获取或者使用第三方库实现。
[0141]
3、计算位移量：根据x轴和y轴的加速度数据，可以计算出当前的位移量。可以采用累加法或积分法进行计算，即在一定时间间隔内将加速度数据累加或积分得到位移量。
[0142]
4、移动锤击图标：根据计算得到的位移量，可以更新锤击图标的位置。例如，如果x轴加速度为正数，则将锤击图标向左移动相应的距离；如果y轴加速度为负数，则将锤击图标向下移动相应的距离。在移动锤击图标后，需要及时更新游戏画面，将移动后的图标显示在屏幕上。
[0143]
值得说明的是，为了保证锤击图标不会超出屏幕边界，需要对移动后的位置进行边界限制。例如，可以将锤击图标的移动范围限制在屏幕的可见区域内。
[0144]
可以理解，调整锤击图标的位置可以更好地反映玩家的真实动作。如果锤击图标的位置不准确，可能会导致玩家在做出正确动作时仍无法得分，或者在错误动作时仍能得分。这将影响玩家的游戏体验和游戏结果的准确性。通过调整锤击图标的位置，可以更好地与玩家的动作匹配，提高游戏的准确性和可玩性。
[0145]
在一些实施例中，根据所述加速度数据中x轴加速度数据和y轴加速度数据生成移动指令，包括：
[0146]
s110、根据x轴加速度数据和y轴加速度数据确定体感设备的移动方向和移动距离。
[0147]
具体来说，根据x轴加速度和y轴加速度数据，可以计算出加速度向量，然后可以根据该加速度向量的大小和方向计算出体感设备移动的距离和方向。
[0148]
具体地，假设在时间段δt内，x轴加速度和y轴加速度分别为ax和ay，则可以计算出加速度向量的大小和方向：
[0149][0150]
θ＝arctan(ay,a
x
)；
[0151]
其中，a是加速度向量，θ是加速度向量与x轴正方向的夹角。
[0152]
接着，可以根据加速度向量的大小和方向计算出体感设备移动的距离和方向。体感设备移动的距离和方向可以表示为：
[0153]
δx＝a
·
cos(θ)
·
δt；
[0154]
δy＝a
·
sin(θ)
·
δt；
[0155]
其中，δx和δy分别是体感设备在x轴和y轴上移动的距离，δt是时间段的长度，该时间段可以根据游戏的不同而自主设定。
[0156]
进一步地，假设锤击图标当前位置为(x0，y0)，则根据δx和δy可以计算出体感设备的移动后的位置和坐标(x1，y1)。具体为：
[0157]
x1＝x0+δx；
[0158]
y1＝y0+δy。
[0159]
s120、根据所述移动方向和移动距离移动所述锤击图标。
[0160]
具体地，在确定了体感设备的移动距离和方向后，将其映射到游戏坐标，便可得到锤击图标的移动方向和移动距离。
[0161]
在一些实施例中，在锤击动作完成后，所述方法还包括：
[0162]
s210、将所述锤击动作完成的时刻作为出锤击时刻。
[0163]
具体来说，可以根据预测结果判断出用户完成锤击动作的时刻，通常是当神经网络输出的结果超过了一个预先设定的阈值，表示识别出了有效的锤击动作，可以将这个时刻作为出锤击时刻。另外，也可以根据用户在体感设备上的实际动作来检测锤击动作完成的时刻，例如当用户在体感设备上完成了一次下降运动时，可以将这个时刻作为锤击动作完成的时刻。
[0164]
s220、将所述锤击图标的当前位置作为锤击位置。
[0165]
具体来说，可以通过锤击图标当前所在的位置作为锤击位置。当用户完成锤击动作后，锤击图标会移动到一个新的位置，此时锤击图标所在的位置可以作为锤击位置。
[0166]
s230、根据所述锤击时刻和所述锤击位置输出锤击结果。
[0167]
具体来说，在体感游戏中，锤击结果通常是根据用户击中游戏对象的位置和时间来判断的。如果用户在游戏对象出现在锤击位置时完成锤击动作，那么可以判断用户成功击中了游戏对象，输出"击中"的结果；反之，如果用户在游戏对象出现在锤击位置时没有完成锤击动作，可以判断用户未击中游戏对象，输出"未击中"的结果。同时，也可以根据击中
的精度来给用户打分，例如距离游戏对象越近、时间越准确，得分越高。
[0168]
通过上述方式能够提升游戏趣味性与挑战性，从而提升用户的游戏体验。
[0169]
可以理解，相比传统体感游戏方法需要同时使用加速度数据和角速度数据进行动作识别的方式，本技术从加速度数据中提取波形特征，通过全连接神经网络模型进行分类，可以简化识别过程，降低计算难度。同时，由于人工神经网络模型可以进行端到端的学习，具有良好的自适应能力，可以有效提高动作识别的精度，避免了传统方法中需要手动调整阈值等参数的过程，提高了识别精度。
[0170]
此外，本技术使用加速度数据中的z轴方向的加速度数据进行动作识别，相比使用多个方向的加速度数据，可以降低运动设备的要求和成本，并且可以有效避免因设备摆放角度不同导致的识别精度下降的问题。
[0171]
综上所述，本技术的技术方案是具有硬件要求低、识别精度高、计算难度低、成本低等优点，能够更好地提升体感游戏的用户体验。
[0172]
此外，参照图3，本发明实施例还提出基于锤击动作的体感游戏装置，所述基于锤击动作的体感游戏装置包括：
[0173]
获取模块110，用于在体感游戏启动后，从绑定的体感设备获取加速度数据；
[0174]
判断模块120，用于将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；
[0175]
生成模块130，用于生成锤击动作指令；
[0176]
执行模块140，用于根据所述锤击动作指令生成锤击动画。
[0177]
其中，基于锤击动作的体感游戏装置的各个功能模块实现的步骤可参照本发明基于锤击动作的体感游戏方法的各个实施例，此处不再赘述。
[0178]
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质可以是硬盘、多媒体卡、sd卡、闪存卡、smc、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器等中的任意一种或者几种的任意组合。计算机可读存储介质中包括基于锤击动作的体感游戏程序10，本发明之计算机可读存储介质的具体实施方式与上述基于锤击动作的体感游戏方法以及服务器1的具体实施方式大致相同，在此不再赘述。
[0179]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0180]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0181]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0182]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0183]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0184]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于锤击动作的体感游戏方法，其特征在于，包括：在体感游戏启动后，从绑定的体感设备获取加速度数据；将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；若是，则生成锤击动作指令；根据所述锤击动作指令生成锤击动画。2.如权利要求1所述的基于锤击动作的体感游戏方法，其特征在于，将所述加速度数据输入预训练的人工神经网络模型，以判断用户是否完成有效的锤击动作，包括：从所述加速度数据中提取出波形特征作为输入特征；将所述波形特征输入预训练的全连接神经网络进行分类；根据所述全连接神经网络的输出判断用户是否完成有效的锤击动作。3.如权利要求2所述的基于锤击动作的体感游戏方法，其特征在于，所述全连接神经网络的表达式如下：络的表达式如下：其中，y
i
表示第i个神经元的输出，即所需的分类结果；w
i,j
表示第i个神经元与第j个输入特征之间的权重；x
j
表示第j个输入特征；b
i
表示第i个神经元的偏置；f(x)为激活函数。4.如权利要求2所述的基于锤击动作的体感游戏方法，其特征在于，从所述加速度数据中提取出波形特征作为输入特征，包括：根据所述加速数据中的z轴加速度数据提取波形特征作为所述输入特征。5.如权利要求4所述的基于锤击动作的体感游戏方法，其特征在于，在完成捶打动作之前，所述方法还包括：根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标。6.如权利要求5所述的基于锤击动作的体感游戏方法，其特征在于，根据所述加速度数据中的x轴加速度数据和y轴加速度数据移动所述体感游戏中的锤击图标，包括：根据x轴加速度数据和y轴加速度数据计算体感设备的移动方向和移动距离；根据所述移动方向和移动距离移动所述锤击图标。7.如权利要求5所述的基于锤击动作的体感游戏方法，其特征在于，在锤击动作完成后，所述方法还包括：将所述锤击动作完成的时刻作为出锤击时刻；将所述锤击图标的当前位置作为锤击位置；根据所述锤击时刻和所述锤击位置输出锤击结果。8.一种基于锤击动作的体感游戏装置，其特征在于，包括：获取模块，用于在体感游戏启动后，从绑定的体感设备获取加速度数据；判断模块，用于将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；生成模块，用于生成锤击动作指令；执行模块，用于根据所述锤击动作指令生成锤击动画。
9.一种基于锤击动作的体感游戏设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的基于锤击动作的体感游戏程序，所述处理器执行所述基于锤击动作的体感游戏程序时实现如权利要求1-7中任一项所述的基于锤击动作的体感游戏方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于锤击动作的体感游戏程序，所述基于锤击动作的体感游戏程序被处理器执行时实现如权利要求1-7中任一项所述的基于锤击动作的体感游戏方法。

技术总结
本发明公开了一种基于锤击动作的体感游戏方法、装置、设备及计算机可读存储介质，该基于锤击动作的体感游戏方法包括：在体感游戏启动后，从绑定的体感设备获取加速度数据；将所述加速度数据输入预训练的人工神经网络模型，判断用户是否有效的锤击动作；若是，则生成锤击动作指令；根据所述锤击动作指令生成锤击动画。本发明的基于锤击动作的体感游戏方法具有硬件要求低、识别精度高、计算难度低、成本低等优点，能够更好地提升体感游戏的用户体验。能够更好地提升体感游戏的用户体验。能够更好地提升体感游戏的用户体验。


技术研发人员：黄豪 李俊
受保护的技术使用者：深圳十米网络科技有限公司
技术研发日：2023.03.01
技术公布日：2023/7/26