基于运动传感器数据来推荐体育教学内容

技术领域

本发明总体上涉及数字内容处理，并且特别地涉及基于对捕获到 的体育运动的分析的体育视频内容排名和推荐。

背景技术

移动对象(诸如，高尔夫挥杆)的运动检测和识别被广泛用于提 高运动员的表现。针对空间加速的运动的路径和姿势识别的技术可以 与人体动作结合使用，以用于检测在体育领域中的人体动作。以高尔 夫为例，高尔夫是通常要求对高尔夫球杆的运动的良好控制，并且对 由运动传感器检测到的高尔夫挥杆运动的精确分析能够提高高尔夫 运动员的表现。一种提高运动员的体育表现的方式是分析比赛期间捕 获到的运动数据，并且然后研究关于运动员的表现的各个方面的高度 相关的教学内容，例如，视频。

数字媒体内容共享和因特网社交联网的开发已经使得体育运动 员能够张贴、查看和共享图示体育的各个方面的教学视频。然而，对 于体育运动员而言，在大量的具有不同质量和相关性的可用的体育教 学内容中发现和选择合适的体育教学内容可能是困难和/或耗费时间 的。有关体育表现提高的体育教学内容选择和推荐的现有解决方案面 临要提供具有增强的用户体验、根据个体运动员的需要定制的高度相 关的体育教学内容的挑战。

发明内容

本发明的实施例提供了一种用于提高推荐服务的用户的体育表 现的解决方案。该推荐服务基于与做的体育运动相关联的运动数据来 对体育教学内容进行排名，并且基于该排名向用户提供高度相关的体 育教学内容。

公开了一种用于推荐与用户的体育运动相关的体育视频内容的 计算机实现的方法。该方法的实施例包括根据投票方法生成用于体育 视频内容样本(高尔夫视频剪辑)的投票得分，以及根据用于体育视 频内容样本的投票得分来从体育内容样本中选择。投票方法部分基于 针对用户的体育运动的运动数据，并且运动数据由运动数据设备捕获。 运动视频内容样本(例如，高尔夫视频)可以被划分为多类，例如， 高尔夫挥杆力量相关的视频，并且每一类与体育运动的不同方面相关。

该方法的实施例进一步包括根据多种投票方法来生成针对体育 视频内容样本的多个投票得分，基于组合针对每种投票方法生成的投 票得分来生成针对体育视频内容样本的聚合的投票得分，以及根据针 对体育视频内容样本的聚合的投票得分来从体育内容样本中选择。

另一方面提供了一种非瞬态计算机可读存储介质，该非瞬态计算 机可读存储介质存储用于如上所述的推荐与用户的体育运动相关的 体育视频内容样本的可执行计算机程序指令。在本说明书中的特征和 优点并非是包括一切的，并且特别是鉴于附图、说明书和权利要求， 许多附加的特征和优点对于本领域技术人员将是明显的。此外，应当 注意，在说明书中使用的语言已经主要为了可读性和教导的目的而被 选择，并且可能未被选择为描绘或限制所公开的主题。

附图说明

图1是根据一个实施例的用于推荐体育教学内容的计算环境的框 图。

图2是根据一个实施例的图示用于充当客户端设备和/或推荐服 务器的计算机的示例的框图。

图3是根据一个实施例的体育教学内容推荐引擎的框图。

图4是根据一个实施例的图示对体育教学内容进行排名的过程的 示例性流程图。

图5图示了根据一个实施例的对体育教学内容进行排名和选择的 步骤。

图6示出了用于提高运动员的高尔夫击球表现的各个方面的高尔 夫教学视频的示例。

图7示出了用于在操纵高尔夫球杆方面提高高尔夫击球表现的推 荐的视频的示例。

图8示出了呈现由推荐服务的用户的高尔夫挥杆的高尔夫球杆路 径方面的示例。

图9图示了呈现图8中图示的高尔夫挥杆的高尔夫球杆平面方面 的示例。

图10示出了与由推荐服务的用户的高尔夫挥杆相关的各种运动 参数的示例。

图11示出了呈现高尔夫挥杆对高尔夫球的影响以及在高尔夫挥 杆的整个过程期间球杆速度的趋势的示例。

图12图示了用户用来定制他们的高尔夫挥杆目标的图形用户界 面。

图13A图示了用于呈现用于提高关于球杆速度的表现的三个推 荐的视频的图形用户界面。

图13B示出了用于呈现关于高尔夫球杆速度的用户表现的图形 用户界面。

附图仅为了说明的目的描绘本发明的各种实施例。本领域技术人 员从以下讨论中将容易认识到，在不背离本文所描述的本发明的原理 的情况下，本文所图示的结构和方法的备选实施例可以被采用。

具体实施方式

提供了一种用于提高推荐服务的用户的体育表现解决方案。该推 荐服务基于与做的体育运动相关联的运动数据来对体育教学内容进 行排名，并且基于该排名向用户提供高度相关的体育教学内容。图1 是根据一个实施例的用于推荐体育教学内容的计算环境100的框图。 图1中图示的实施例包括通过网络150彼此连接的客户端设备110、 内容提供者120、运动数据设备130和推荐服务140。在图1中仅示 出每种实体中的仅仅一个，以便于简化和明确描述。计算环境100的 实施例可以具有连接至网络150的许多客户端设备110、许多内容提 供者120、许多运动数据设备130和许多推荐服务140。类似地，在 不同的实施例中，由图1的各种实体执行的功能可以不同。

客户端设备110是由用户用于执行诸如消费数字内容、执行软件 应用、浏览由网络150上的web服务器托管的网站、下载文件等的电 子设备。例如，客户端设备110可以是媒体流设备、智能手机、或者 平板、笔记本、或者台式计算机。客户端设备110包括显示设备和/ 或与显示设备对接，用户可以在该显示设备上查看视频和其他内容。 此外，客户端设备110提供用户界面(UI)，诸如物理的和/或屏幕 上的按钮，用户可以利用该按钮与客户端设备110交互，以执行诸如 查看、选择以及消费诸如体育教学视频的数字内容的功能。

内容提供者120向推荐服务140提供各种体育运动的数字内容。 在一个实施例中，由内容提供者120提供的数字内容包括视频、数字 图像和文本描述，它们被设计为指导用户如何在各种体育运动(例如， 高尔夫、棒球和网球)中提高其体育表现。高尔夫教学视频的示例包 括由高尔夫频道(GolfChannel)提供的击打高尔夫的专业高尔夫运 动员(例如，SteveSticker)的视频。在一个实施例中，内容提供者 120是体育事件的专业广播员。在另一实施例中，内容提供者120是 具有对数字相机的访问和对因特网的连接的任何人，诸如体育事件的 观众。存储在推荐服务140的视频数据库中的数字内容可以被划分为 不同类型(诸如关于体育器械的速度、节奏、位置的视频)和子类型 (诸如，关于球杆速度的高尔夫视频和关于手的速度的高尔夫视频)。

在本公开内容中，“数字内容”或者“数字媒体内容”总体上指 代任何机器可读和机器可存储的作品。数字内容可以包括，例如，视 频、音频或者视频和音频的组合。备选地，数字内容可以是静止图像， 诸如JPEG或GIF文件或者文本文件。为了简化和描述一个实施例的 目的，数字内容将被称为“视频”、“视频文件”或者“视频项”， 但是该术语(除了它们必须包括视频以外)不旨在于对能够被分析的 数字内容的类型进行限制。因此，在此描述的用于对视频内容进行分 析和排名的操作可以被应用于任何类型的视频内容，包括视频和其他 适当类型的数字内容，诸如音频文件(例如，音乐、播客、音频书籍 等)、文档、网站、图像、多媒体演示等。

运动数据设备130在体育比赛期间捕获运动员的运动数据。在一 个实施例中，运动数据设备130是插入到体育器械内或者附接到体育 器械的运动传感器，该运动传感器被配置为检测与使用该体育器械的 移动相关联的运动。每个检测到的运动具有多个相关联的运动参数。 以高尔夫挥杆为例，与高尔夫挥杆相关联的运动参数可以包括球杆速 度、球杆平面、手平面、节奏、上挥杆(backswing)、手速度和臀部。 运动数据设备130的示例包括微机电系统(MEMS)传感器、肌电图 (EMG)传感器和数字相机。基于运动参数的这些运动传感器以及运 动检测和识别系统的实施例的示例包括在美国专利公开第 2012/0277890号中以及美国专利第8,725,452号中描述的那些，这些 专利中的每一个通过引用被整体并入于此。

网络150实现客户端设备110、内容提供者120、运动数据设备 130和推荐服务140之间的通信。在一个实施例中，网络150包括因 特网并使用标准的通信技术和/或协议。在另一实施例中，这些实体可 以使用定制的和/或专用的数据通信技术。

推荐服务140接收由内容提供者120提供的体育视频内容并且将 该体育视频内容存储在视频数据库中。推荐服务140还接收在体育比 赛期间由运动数据设备130捕获的运动数据并且将该运动数据存储在 运动数据库中。推荐服务140分析体育视频内容和运动数据，并且基 于该分析向用户推荐所选择的体育视频内容作为体育教学内容推荐。 在一个实施例中，推荐服务140包括用于存储由内容提供者120提供 的体育视频内容的视频数据库142，用于存储由运动数据设备130捕 获的运动数据的运动数据库144，以及用于排名、选择并向客户端设 备110的用户提供体育教学视频内容推荐的推荐引擎300。以下关于 图3、图4和图5来进一步描述推荐引擎300。

计算系统架构

使用一个或多个计算机来实现图1中所示的实体。图2是根据一 个实施例的用于充当内容提供者120、推荐服务140、运动数据设备 130和/或客户端设备110的计算机200的高级框图。图示的是耦合至 芯片集204的至少一个处理器202。还耦合至芯片集204的是存储器 206、存储设备208、键盘210、图形适配器212、定点设备214和网 络适配器216。显示器218被耦合至图形适配器212。在一个实施例 中，芯片集204的功能由存储器控制器集线器220和I/O控制器集线 器222提供。在另一实施例中，存储器206被直接地耦合至处理器202 而非芯片集204。

存储设备208是任意非瞬态计算机可读存储介质，诸如硬盘驱动 器、紧凑磁盘只读存储器(CD-ROM)、DVD或者固态存储器设备。 存储器206持有由处理器202使用的指令和数据。定点设备214可以 是鼠标、轨迹球或其他类型的定点设备，并且与键盘210一起用于将 数据输入到计算机系统200中。图形适配器212在显示器218上显示 图像和其他信息。网络适配器216将计算机系统200耦合至网络150。

如现有技术中公知的，计算机200可以具有与图2中所示的那些 部件不同的和/或其他的部件。此外，计算机200可以缺少某些图示的 部件。例如，充当推荐服务140的计算机可以由链接在一起成为一个 或多个分布式系统的多个刀片服务器组成，并且缺少诸如键盘和显示 器等的部件。此外，存储设备208可以是计算机200本地的和/或远离 计算机200(诸如体现在存储区域网络(SAN)内)。

如现有技术中公知的，计算机200被适配为执行用于提供在此描 述的功能的计算机程序模块。如在此使用的，术语“模块”指代用于 提供指定的功能的计算机程序逻辑。因此，模块可以被实现在硬件、 固件和/或软件中。在一个实施例中，程序模块被存储在存储设备208 上、被加载到存储器206中以及由处理器202执行。

体育教学内容排名和推荐

图3是根据一个实施例的体育教学内容推荐引擎300的框图。推 荐引擎300分析体育视频内容(例如，存储在视频数据库142中的、 来自内容提供者120的体育视频剪辑)以及存储在运动数据库144中 的运动数据，并且向推荐服务140的用户推荐体育教学视频内容。在 一个实施例中，推荐引擎300通过一个或多个投票过程、基于运动数 据库144中的用户的运动数据来对视频数据库142中的视频剪辑进行 排名。在每个投票过程中，推荐引擎300针对体育视频剪辑中的视频 剪辑生成投票得分。投票得分指示相对于通过对应投票方法的测量的 视频剪辑中运动员的体育表现。其中的一些也考虑用户的运动数据。 推荐引擎300基于体育视频剪辑的对应的投票得分来将数个体育视频 剪辑选择作为向用户的推荐。

在一种方式中，令参数μ为由运动数据设备130捕获的体育运动 的数量并且参数ν为μ中的一个运动样本。令参数N_total为由内容提 供者120提供的体育教学内容的不同类型。参数n代表N_total中的一 种体育教学内容类型，并且参数n_i为由参数n表示的体育教学内容类 型的一个内容样本。针对每个内容样本n_i，推荐引擎300使用多个投 票过程中的一个投票过程j(j∈[0，m])来生成投票得分V_j(n_i)，并且基 于内容样本n_i的投票得分来在相同类型的所有内容样本中对内容样 本n_i进行排名。

以高尔夫为例，参数μ表示高尔夫相关运动的数目，诸如由运动 数据设备130(例如，附接至运动员的高尔夫球杆的运动传感器)捕 获的1000次高尔夫挥杆，并且参数ν为该1000次高尔夫挥杆中的一 次。参数N_total表示从内容提供者120(例如，高尔夫频道和ESPN) 接收到的高尔夫视频的数目，并且高尔夫视频的内容可以被划分为不 同类型，诸如挥杆力量相关的内容、挥杆精确度相关的内容以及挥杆 节奏相关的内容。每个视频可以被分配为多于一种类型。参数n表示 一个分类的高尔夫视频的数目，诸如与挥杆力量相关的10000个高尔 夫视频，并且参数n_i是与挥杆力量相关的10000个高尔夫视频的视频 剪辑。推荐引擎300针对每个投票过程生成用于与挥杆力量相关的 10000个高尔夫视频中的每个视频剪辑的投票得分，并且基于视频剪 辑的投票得分对10000个高尔夫视频进行排名。

为了进一步说明由推荐引擎300利用以上定义的参数的投票过程， 图4是根据一个实施例的图示由推荐引擎300对体育视频内容样本进 行排名的过程的示例性流程图。初始地，推荐引擎300接收402内容 样本n_i，并且使用测量推荐服务140的用户在内容样本n_i上花费了多 少时间(例如，用户观看内容样本n_i的次数)的投票方法来生成404 投票得分V₀(n_i)。推荐引擎300可以基于内容样本n_i和相同类型的内 容样本的平均值之间的差值的测量来生成406另一投票得分V₁(n)。

在步骤408，推荐引擎300使用评估内容样本相对于相同类型的 其他内容样本的一致性的投票方法来生成投票得分V_j(n)。在步骤410， 推荐引擎基于关于对内容样本的用户输入来对内容样本n_i进行评级 的投票方法来生成投票得分v_j+1(n)。

推荐引擎300可以使用附加的和/或不同的投票方法来生成附加 的投票得分。投票方法可以彼此独立，并且根据不同应用(例如，高 尔夫、棒球或网球)的推荐服务的用户可以选择多于一种投票方法。 在接收到投票方法的选择时，推荐引擎300生成针对内容样本n_i的聚 合的投票得分。在一个实施例中，推荐引擎300将针对每个选择的投 票过程的投票得分相加以生成聚合的投票得分。基于针对每个内容样 本n_i的聚合的投票得分，推荐引擎300对内容样本进行排名并且基于 该排名来呈现选择的一个或多个内容样本作为向用户的推荐。

重新参考图3，在图3中图示的推荐引擎300包括频率模块310、 偏差模块320、一致性模块330、内容评级模块340、改进模块350 和选择模块360。推荐引擎300的其他实施例可以具有不同的和/或附 加的计算机模块。类似地，在不同的实施例中，由图3的各实体执行 的功能可以不同。

推荐引擎300的频率模块310基于推荐服务140的用户在内容样 本上花费了多少时间来生成用于内容样本n_i的投票得分。在一个实施 例中，用户花费在查看/研究与某类型的体育内容n相关的视频剪辑上 的时间被定义为T₀(n)。针对每种类型的体育内容，频率模块310如下 使用等式1来计算得分范围[0，θ₀]内的得分V₀(n)，其中θ₀是针对推荐 服务140的不同应用可配置的参数。

$V_0\left(n\right)={\theta }_0\left|\right|\frac{T_0\left(n\right)}{\max \left(T_0\right(n\left)\right)}\left|\right|,(n\in N_{total})---\left(1\right)$

初始地，特定类型的体育内容的总内容样本n中的每个内容样本n_i获 得相同的初始得分V₀(n)，即，V₀(n_i)＝V₀(n)，其中初始得分V₀(n)是 可配置的并且针对高尔夫上挥杆类型视频的V₀(n)的示例得分是70。

推荐引擎300的偏差模块320基于内容样本相对于内容n的相同 类型的所有内容样本的偏移的标准差来生成用于内容样本n_i的投票 得分。在一个实施例中，偏差模块320线性地偏移所有内容样本n， 使得内容样本的投票得分具有正值。针对每种类型的内容样本n，偏 差模块320选择通用的或定制的标准值S(n)以及每种类型的内容n中 总体育运动μ的平均值作为Avg(n)，并且如下使用等式2来计算偏差。

$\Delta \left(n\right)=\frac{Avg\left(n\right)-S\left(n\right)}{S\left(n\right)}---\left(2\right)$

在一个实施例中，偏差模块320基于用户输入使用定制的标准值 S(n)来计算偏差。与由推荐引擎300设置的默认值相比，与体育内容 的类型相关的定制的标准使得推荐服务140的用户能够定制他的/她 的自身的目标。以高尔夫球杆速度为例，由推荐引擎300设置的默认 值为90mph(英里每小时)，而推荐服务140的用户可以针对球杆速 度设置他的/她的自身的目标为95mph或85mph。

图12示出了用户用来在高尔夫挥杆的各方面上(包括节奏、上 挥杆位置和球杆平面比较)定制他们的高尔夫挥杆目标的图形用户界 面(GUI)1210。GUI1210包括定制1220的指示以及用于定制高尔 夫挥杆的每个方面的滑块。GUI1210通过使针对每种定制选择的值高 亮来呈现定制。

返回偏差模块320，偏差模块320如下使用等式3来生成得分范 围[0，θ₁]内的用于每种类型的内容样本V₁(n)的投票得分，其中θ₁是针 对推荐服务140的不同应用可配置的参数。

$V_1\left(n\right)={\theta }_1\left|\right|\frac{\left|\Delta \left(n\right)\right|}{max\left(\right|\Delta \left(n\right)\left|\right)}\left|\right|,(n\in N_{total})---\left(3\right)$

在一个实施例中，针对每个内容样本n_i，偏差模块320手动地利用相 关因子C(n_i)来标记n_i，其中C(n_i)被定义为C(n_i)∈[0，1]。偏差模块320 如下使用等式4来调整针对n_i的投票得分。

V₁(n_i)＝C(n_i)V₁(n)(4)

在一个实施例中，参数C(n_i)是0％-100％的因子，其指示在Δ(n)在 某范围内时内容样本n_i是否适当。例如，在与高尔夫上挥杆位置相关 的内容样本中，一些内容样本与如何通过将上挥杆位置从300度减小 到270度来改进与高尔夫上挥杆相关的用户当前表现高度相关；一些 其他内容与如何将用户的上挥杆位置从240度增加至270度高度相关。 270度的值是以上在等式2中使用的参数S(n)表示的示例标准值。

一致性模块330测量内容样本相对于相同类型的其他内容样本的 一致性。例如，一致性模块330检查特定高尔夫挥杆相对于其他100 次高尔夫挥杆有多稳定。在一个实施例中，一致性模块330通过将每 种类型的内容样本n中的总体育运动μ的标准差计算为v(n)来测量内 容样本的一致性。一致性模块330如下使用等式5将用于每种类型的 内容样本的投票得分计算为得分范围[0，θ₂]内的得分V₂(n)，其中θ₂是 针对推荐服务140的不同应用可配置的参数。

$V_2\left(n\right)={\theta }_2\left|\right|\frac{sv\left(n\right)}{max\left(sv\right(n\left)\right)}\left|\right|,(n\in N_{total})$

V₂(n_i)＝V₂(n)(5)

内容评级模块340基于平均评级得分R_avg(n_i)生成用于内容样本 n_i的投票得分V₃(n_i)并且基于用户输入生成总评级得分R_t(n_i)。在一个 实施例中，向推荐服务140的用户呈现允许用户对体育视频的内容评 级(例如，向内容指分配星数)的GUI。内容评级模块340如下使用 等式6来计算投票得分V₃(n_i)，其中和是针对推荐服务140的 不同应用可配置的参数。

$V_3\left(n_i\right)={\theta }_3^{avg}\left|\right|\frac{R_{avg}\left(n_i\right)}{\max \left(R_{avg}\left(n_i\right)\right)}\left|\right|+{\theta }_3^t\left|\right|\frac{R_t\left(n\right)}{\max \left(R_t\left(n\right)\right)}\left|\right|,\left(n\in N_{tatal}\right)---\left(6\right)$

有时，推荐服务140的用户可能想要在每次表现或者比赛的回合 后看到不同的体育教学内容，即使多个回合的运动彼此相当类似。为 了增强这种情况下的用户体验，推荐引擎300的改进模块对相同类型 的内容样本排序并且减低重复的内容样本的投票得分。在一个实施例 中，内容队列ε列出要被排序的内容样本，并且改进模块350根据时 间(例如，从最新到最老)对内容队列ε的内容样本排序。考虑到内 容队列ε具有长度δ，改进模块350遍历ε中的每个元素，并且如下使 用等式7来生成投票得分V₄(n_i)，其中θ₄是针对推荐服务140的不同 应用可配置的参数。初始地，所有的V₄(n_i)具有为0的初始值。

如果ε(τ)＝n_i，则$V_4\left(n_i\right)-={\theta }_4\left|\right|\frac{\delta -1-\tau }{\delta }\left|\right|,(\tau \in [0,\delta -1\left]\right)---\left(7\right)$

选择模块360在接收到对投票方法的选择时生成用于内容样本n_i的聚合的投票得分。在一个实施例中，选择模块360如下使用等式8 将针对每种选择的投票过程的内容样本n_i相加以生成聚合的投票得 分，其中m表示选择的投票方法的总数目。

$P\left(n_i\right)={\Sigma }_{j=0}^{m-1}{V}_j\left(n_i\right)---\left(8\right)$

选择模块360针对相同类型n的内容样本中的每个内容样本n_i生成聚 合的投票得分，并且基于内容样本对应的聚合的投票得分来对它们进 行排名。在一个实施例中，选择模块360从最高投票得分到最低投票 得分来对内容样本进行排名，并且基于该排名选择一个或多个内容样 本作为向推荐服务140的用户的推荐。推荐引擎300周期性地(例如， 每周或每月)向用户呈现推荐。

在以上描述的每种投票过程中，推荐引擎300使用可配置的缩放 因子θ(例如，θ₀、θ₁、θ₂、以及θ₄)来生成用于内容样本(例 如，体育视频剪辑)的投票得分。缩放因子θ是针对推荐服务140的 不同应用(例如，高尔夫、棒球或网球)可配置的。在一个实施例中， 缩放因子表示对应的投票方法在由推荐引擎300的整体投票和排名过 程中的相对重要性。以高尔夫挥杆为例，这些缩放因子的示例值为 θ₀＝100、θ₁＝50、θ₂＝50、以及θ₄＝50。

图5图示了根据一个实施例的通过推荐引擎对体育教学内容进行 排名和选择的步骤。初始地，推荐引擎300接收510一种类型的体育 的内容样本，例如，关于高尔夫挥杆的视频剪辑。推荐引擎300使用 内容样本的频率数据(例如，用户已经查看了视频样本多少次)来初 始化520该内容样本的投票得分。推荐引擎300可以通过基于该内容 样本的偏差生成530投票得分、基于该内容样本与相同体育类型的其 他内容样本的平均值的差异来评估该内容样本。

推荐引擎300还可以考虑内容样本相对于由推荐服务140接收到 的所有类型的体育视频内容的一致性。针对每种类型的内容样本，推 荐引擎300基于该所有类型的体育视频内容的标准差来生成540投票 得分。为了进一步吸引推荐服务140的用户，推荐引擎300可以基于 单个用户或者对内容样本评级的所有用户的输入来评估该内容样本。 推荐引擎300基于该用户输入来生成550用于该内容样本的投票得分。

为了使得用户能够在每次表现或者比赛的回合后查看不同的体 育教学内容而不向用户呈现重复的内容样本，推荐引擎300将要向用 户呈现的内容样本排队并且基于内容样本的增加的投票得分来对内 容样本队列排序以标识560重复的内容样本。响应于由用户选择的用 于一种类型的体育(例如，高尔夫)的一种或多种投票方法，推荐引 擎300生成用于内容样本的聚合的投票得分并且基于其对应的聚合的 投票得分来对相同类型的体育教育内容的内容样本进行排名570。推 荐引擎300基于该排名来选择580一个或多个内容样本，并且呈现所 选择的内容样本作为向推荐服务140的用户的推荐。

体育教学内容推荐的应用

以上描述的用于推荐与提高推荐服务140的用户的体育表现相关 的高度相关的体育教学内容的解决方案可以被应用于各种类型的体 育运动。以下附图图示了击打高尔夫的解决方案的应用。以上描述的 解决方案可容易地应用于其他类型的体育运动，诸如棒球和网球。

图6示出了用于提高用户的高尔夫击球表现的各个方面的高尔夫 教学视频的示例。图6中的示例示出了推荐服务140提供关于击打高 尔夫的各个方面的视频形式的教学内容。高尔夫视频由高尔夫内容提 供者(诸如高尔夫频道和ESPN)提供。高尔夫视频的类型或分类包 括上挥杆610、球杆平面620和球杆速度630。上挥杆视频与瞄球 (address)和上挥杆的顶端之间的高尔夫杆身的角度的测量有关。该 角度的测量基于在上挥杆的顶端处的角度上的改变。在上挥杆的瞄球 处，球杆处于零度。球杆平面视频与下挥杆的杆头和上挥杆的杆头之 间的关系、对应的距离以及在不同挥杆位置处的杆头的位置的测量有 关。球杆速度视频与对运动员的杆头在杆头触碰高尔夫球的点处行进 地多快的测量相关。推荐服务140可以提供关于击打高尔夫的其他方 面的附加的和/或不同的视频。

如图6中所示的高尔夫视频的每个分类下，推荐服务140进一步 将视频划分为子种类。以上挥杆610为例，推荐服务140提供关于上 挥杆的子种类的视频，包括由推荐服务的操作者选择的指导者图示的 上挥杆612(即，“Zepp上挥杆”)、由专业高尔夫球手SteveStricker 图示的上挥杆614(即，“Stricker训练”)以及聚焦于运动员的手臂 和肩膀的协调的上挥杆616(即，“轴肩”)。

图7示出了用于在操纵高尔夫球杆710方面提高高尔夫击球表现 的推荐的视频720的示例。图7中的示例为用户示出了基于用户的高 尔夫球杆操纵统计730的关于高尔夫球杆操纵的三个推荐的视频。在 一个实施例中，根据与由用户执行的球杆挥杆和附接到由用户使用的 高尔夫球杆的运动传感器捕获的球杆挥杆相关联的运行参数，来生成 用户的高尔夫球杆操纵统计。与检测到的运动相关联的运动参数通过 运动传感器被收集并且由推荐服务140分析。以高尔夫挥杆为例，与 高尔夫挥杆相关联的运动参数可以包括球杆速度、球杆平面、手平面、 节奏、上挥杆、手速度和臀部。与臀部有关的运动参数测量臀部在上 挥杆上的旋转的度数以及该旋转对上挥杆的影响。手平面参数测量下 挥杆到上挥杆的运动员的手平面、相关的距离以及下挥杆和上挥杆的 位置之间的关系。在图7中所示的示例中，与高尔夫球杆操纵相关的 运动参数包括节奏732、上挥杆位置734、球杆平面比较以及手平面 比较。针对所示的每个运动参数，推荐服务140还示出平均表现数据、 由用户设置的目标表现数据(即，“目标”)以及表现图表。

图8示出了呈现由推荐服务140的用户的高尔夫挥杆的高尔夫球 杆路径方面的示例。针对空间加速的运动的路径和姿势识别指代检测 正在移动的对象(例如，由用户挥动的高尔夫球杆)在移动中的每个 时刻的位置和转角并获取移动对象的实时速率。在图8所示的示例中， 由运动传感器捕获的关于高尔夫挥杆的用户表现具有表现得分810 (例如，88)。关于高尔夫挥杆的表现得分与关联于高尔夫挥杆的运 动参数(例如，球杆速度、球杆平面、手平面、节奏、上挥杆、手速 度和臀部)联合被计算。在一个实施例中，关于高尔夫挥杆的表现得 分是相关联的运动参数的测量的加权平均得分。高尔夫挥杆的球杆路 径由基于对与高尔夫挥杆的球杆路径830有关的运动参数的分析绘制 的曲线820而被图示。基于对视频的内容的用户输入，用户表现视频 具有1的评级，其中该评级由星840表示。

针对高尔夫挥杆，推荐服务140向用户呈现挥杆的各个方面。图 9图示了呈现在图8中图示的高尔夫挥杆的高尔夫球杆平面方面的示 例。球杆平面测量下挥杆的杆头和上挥杆的杆头之间的关系、对应的 距离以及在不同挥杆位置处的杆头的位置。图9中的示例示出由基于 对与高尔夫挥杆的球杆平面820有关的运动参数的分析绘制的曲面 910表示的高尔夫挥杆的球杆平面。

图10示出了与由推荐服务的用户的高尔夫挥杆相关的各种运动 参数的示例。分析的高尔夫挥杆具有七个相关联的运动参数，包括球 杆速度1020、球杆平面1030、手平面1040、节奏1050、上挥杆1060、 手速度1070和臀部1080。这七个运动参数有助于高尔夫挥杆的各个 方面的表现得分的计算。以球杆速度1020为例，并且假定球杆速度 1020参数的表现目标是95mph，以及加权因子是1/7，球杆速度1020 参数对关于高尔夫挥杆(例如，图8和图9中所示的高尔夫挥杆)的 用户表现得分的计算的贡献是13.233，其为(88/95*100*1/7)。针对每 个运动参数，与该运动参数相关的运动员的表现被记录并向该运动员 呈现。

图11示出了呈现在球杆速度方面高尔夫挥杆对高尔夫球的影响 以及在高尔夫挥杆的整个过程期间球杆速度的趋势的示例。在图11 中图示的演示示出了关于球杆速度(例如，88mph)的运动员的表现 得分1110和该运动员的目标1140(例如，94mph)。该演示允许运 动员示出在各观察的时隙处在杆头的球杆速度方面对高尔夫球的影 响1120。该演示还以图1130的形式向运动员示出在高尔夫挥杆的整 个过程期间球杆速度的趋势。

图12图示了如以上描述的推荐服务140的用户用来定制他们的 高尔夫挥杆目标的GUI。图13A示出了用于呈现用于提高关于球杆速 度的表现的三个推荐的视频的GUI。每周向运动员呈现推荐的视频 1310，并且推荐的视频可以经由电子邮件(email)被递送给用户、被 递送给执行推荐服务的应用的用户的电子设备，或者在由推荐服务 140托管的网站上的推荐服务的应用的网页上被示出。

图13B示出了用于呈现关于高尔夫球杆速度1320的用户表现的 GUI。考虑到用户的关于高尔夫球杆速度的当前表现数据(即，70mph) 以及他的/她的要达到的目标(即，85mph)，推荐服务140基于关于 球杆速度的视频的聚合的投票得分来对它们进行排名，并且基于该排 名为用户选择数个高度相关的视频。推荐的视频被周期性地呈现给用 户，例如，如图13A中所示的每周。

综述

为了说明的目的，已经呈现了本发明的实施例的前述描述，其不 旨在于是穷尽的或者将本发明限制于所公开的精确形式。相关领域的 技术人员能够理解，鉴于以上公开许多修改和变化是可能的。

该描述的一些部分根据对信息操作的算法和符号表示来描述本 发明的实施例。这些算法描述和表示由数据处理领域的技术人员普遍 用来向该领域其他技术人员有效地传达其工作的实质。当这些操作被 功能性地、计算性地或者逻辑性地描述时，被理解为由计算机程序或 者等效的电路、微代码等实现。此外，也已经证明在不失一般性的情 况下有时将这些操作的布置称为模块是方便的。描述的操作及其相关 联的模块可以被体现在软件、固件、硬件或它们的组合中。

在此描述的任何步骤、操作或过程可以利用一个或多个硬件或软 件模块单独或联合其他设备来被执行或被实现。在一个实施例中，软 件模块利用包括含有计算机程序代码的计算机可读介质的计算机程 序产品而被实现，该计算机程序代码可以由计算机处理器执行，以用 于执行描述的任意或全部的步骤、操作或过程。

本发明的实施例还可以与用于执行在此的操作的设备有关。该设 备可以为了要求的目的而具体地构造，和/或其可以包括由存储在计算 机中的计算机程序选择性地激活或重新配置的通用计算设备。这样的 计算机程序可以被存储在非瞬态有形计算机可读存储介质、或者适合 于存储电子指令的任意类型的介质中，其可以被耦合至计算机系统总 线。此外，在本说明书中提及的任何计算系统可以包括单个处理器或 者可以是采用用于增加的计算能力的多处理器设计的架构。

本发明的实施例还可以涉及由在此描述的计算过程生产的产品。 这样的产品可以包括从计算过程产生的信息，其中该信息被存储在非 瞬态有形计算机可读存储介质上并且可以包括本文描述的计算机程 序产品的任何实施例或者其他数据组合。

最后，在本说明书中使用的语言已经主要为了可读性和教导的目 的而选择，并且其可能未被选择为描绘或限制所公开的主题。因此， 其意图为本发明的范围不由该详细的描述来限定，而由针对基于在此 的应用的任何权利要求来限定。因此，本发明的实施例的公开内容旨 在于是说明性的而非对本发明的范围的限制，本发明的范围在所附的 权利要求中被阐述。