什么是反握拉力臂屈伸?

反握拉力臂屈伸

比较正握拉力臂屈伸，反握拉力臂屈伸对肱三头肌作用力的力点更多地偏移至外侧头位置，即反握拉力臂屈伸主要偏重肱三头肌外侧头的锻炼刺激。反握拉力臂屈伸宜选用直杆把。

微屈膝、髋、挺胸、收腹、沉稳地直立，双手反握拉力握把，双臂上臂与肘部帖近体侧，并保持不动。以双臂顺应拉力被动屈肘，握杆双手位于胸高位置为动作开始姿势。肱三头肌发力，以肘关节为轴，以双手大拇指指根部为主要动作点，向下挺伸前臂，至双臂伸直或接近伸直，双臂肱三头肌收缩至最短，并有意识彻底收紧时止，保持这种“顶峰收缩”状态约1秒钟，再以肱三头肌力量控制重量回落速度，缓慢地还原动作。周而复始。动作全过程中需尽量保证上臂的稳定；双手握把不得太紧，动作过程中要能随需要使把杆在手中相应的变化位置；呼吸配合动作即可。

双杠曲臂伸，双杠臂屈伸以练习胸肌、肱三头肌和三角肌（前束）为主，兼练背阔肌、斜方肌等。这一动作具有多效应的功能，不同的做法会产生不同的锻炼效果。

动作的一般过程为：双手分别握杠，两臂支撑在双杠上，头正挺胸顶肩，躯干、上肢与双杠垂直，屈膝后小腿交叠于两脚的踝关节部位。肘关节慢慢弯屈，同时肩关节伸屈，使身体逐渐下降至最低位置。稍停片刻，两臂用力撑起至还原。

手势是指在人的意识支配下,人手作出的各类动作,如手指弯曲、伸展和手在空间的运动等,可以是

收稿日期: 2000 - 05 - 15

基金项目: 行业基金项目(院编96311)

作者简介: 曾芬芳(1940 - ) ,女,湖南益阳人,华东船舶工业学院教授。

执行某项任务,也可以是与人的交流,以表达某种含义或意图。基于手势识别的三维交互输入技术,常

用的有基于数据手套的和基于视觉(如摄象机) 的手势识别。

人手有20 多个关节,其手势十分复杂,在VR(Virtual Reality) 中的交互过程,需分析手势的形成并

识别其含义。如用户以自然方式抓取环境中的物体,同时还可以对用户产生相关的感知反馈,如对具有

力反馈的手套,就能使人感知到抓取的物体的重量,对有触觉反馈的手套,能感知到用户所碰到的物体

的质感,如毛毯有多粗糙等。所以计算机要能对人手运动的灵活、复杂的手势进行识别是一项艰难而又

十分有意义的任务。

手势的分类早在40 年代,心理学家Quek[7 ] ,Pavlovic[8 ]等人从人机接口的角度对手势进行研究,

按其功能分为:

手的运动

无意识的手运动

有意识的手运动(手势

交流手势

表动作

表符号(手语)

引用手语(如表示数字)

情态手势

执行任务(如抓握锤) 手势不但由骨胳肌肉驱动,而且还受人的信念、意识的驱使,它涉及到人的思维活动的高级行为。

人机交互的研究目的之一是使机器对人类用户更方便,从用户产生手势到系统“感知”手势的过程[9 ]如

图1 所示。

图1系统“感知”手势的过程

Fig 1Process of sensing gesture by the system

手的运动,是手势的表现形式。用户的操作

意图是用户要完成任务的内容, 即用户心理活

动(概念手势) G ,经过运动控制(变换) ,用手势

运动H 表达。由经感受设备(变换Thi) 将手的

运动H 变换为系统的输入信息I ,所以从G到I

的映射过程为:

Tgh : G → H , 即H > Tgh ( G)

Thi : H → I , 即I > Thi ( H)

Tgi : G → I , 即I > Thi ( Tgh ( G) ) > Tgi ( G)

其中, Tgh 为人体运动控制传送函数; Thi为输入设备传送函数。

手势识别的任务就是从系统输入I 推断、确定用户意图G ,显然是以上映射的逆过程。即

G = T- 1

gi ( I) ( 1 )

H = T- 1

hi ( I) ( 2 )

G = T- 1

gh ( H) ( 3 )

其中, T- 1

gi , T- 1

hi , T- 1

gh 是Tgi , Thi , Tgh 的逆变换。

所以手势识别可以采用H = T- 1

hi ( I) 时输入信息I ,得到手的运动H ,再由G = T- 1

gh ( H) 手势的表

示推断用户手势的概念意图,也可直接从G = T- 1

gi ( I) 求得概念手势G。

手势识别分为静态手势和动态手势的识别,目前的研究大都是在线静态手势识别,如Lee 研究的就

是静态孤立手势[10 ] 。动态手势识别难度大,一般采用关键帧方法,记录每个手势的始和终状态及手势的

运动轨迹,然后用内插算法重建帧,但仍需给予限制,如Davis研究的动态手势识别就规定开始时手必须

朝上等。 手势的语法信息是通过手的构形、手的运动变化来传递。为了

给用户提供必要的视觉反馈信息, 使其在交互过程中看到自己的手

(图2 是用3DSMAX 绘制) ,同时也为了分析交互过程中手和虚拟对

象之间的相互作用关系,必须建立手几何模型和运动学模型。 人手是一个多肢节系统, 由27 块骨骼组成, 可看成由4 个相邻

手指、一个大拇指和手掌组成, 每个手指由指段和关节组成。因此手

是一种由关节相连的结构, 随着关节运动, 手的形状在不断变化。这

种变化可以通过指段和关节的状态空间位置的变化来描述[11 ] 。

每一个手指( Ⅱ - Ⅴ) 具有四个自由度,其中手指的

基部(MP) 有两个自由度,弯曲和旋转,手指的中间关节处(PIP)

和末端关节处(DIP) 分别各有一个自由度,主要是弯曲运动。大拇

指除了与其他四个手指一样具有四个自由度外, 还有一个外展运

动,所以大拇指具有五个自由度(拇指和手掌之间的一节也可不考

虑) 。外加手掌的前后左右运动二个自由度。所以手运动总共具有

23 个自由度,即状态空间为23 维。

从上述的分析可知,除大拇指外每个手指都具有四个自由度,

从而可以建立一条链,以协调手指的机构及运动。整个手可以以手掌为基础链接五个手指( Ⅰ - Ⅴ) ,在

指段MP 上链接指段PIP ,再链接指段DIP ,每条链可以获取四个参数。从而五个手指以手掌为根节点构

成一个树型结构,树中的每一个节点代表一个关节,关节通过指段具有相互关联的运动特性。

212手势的输入

手势的输入是实现手势交互的前提。它要求能够有效地跟踪手的运动, 又要方便用户手的运动, 既

要求准确确定手的位置、方位、手指弯曲角度,又要求对手的运动限制很少。就目前而言, 手势的输入有

基于数据手套的和基于视觉(摄象机) 等两种方式。

21211基于数据手套的手势输入

基于数据手套的手势输入[12 ] ,是根据戴在手上的具有位置跟踪器的数据手套利用光纤直接测量手

指弯曲和手的位置来实现手势输入的。本文使用5DT 公司生产的不带位置跟踪器的5th Glove 右手数据

手套,每个手指中间关节有一个传感器用于测量手指的平均屈伸度,在手腕部位还有一个2 轴倾斜传感

器测量手的转动(绕Z 轴旋转) 和倾斜(绕X 轴旋转) 两个角度,以探测手的上下摆动和旋转。该手套共

带有七个传感器,因此同一时刻只能读出七个角度值。5th Glove 还提供命令、报告数据、连续数据、模拟

鼠标等工作方式,可定义一指、二指和三指( Z 轴) 等手势来控制虚拟手的飞行、视点、运动速度等。

5th Glove 数据手套通过串行接口与微机连接在一起,以传送手运动信号,从而控制手动作。它能将

用户手的姿势(手势) 转化为计算机可读的数据, 因而使手去抓取或推动虚拟物体。人手在运动过程中

会碰撞物体,所以在系统中,虚拟手的交互操作除了实现抓取和释放物体等功能外, 还需实现了碰撞的

检测。

21212基于视觉的手势输入

基于视觉的手势输入是采用摄象机捕获手势图象,再利用计算机视觉技术对捕获的图象进行分析,

提取手势图象特征,从而实现手势的输入。这种方法使用户手的运动受限制较少,同时用户还可以直接

看到手的图象。基于视觉的输入所输入的原始数据是手的图象,采用重建三维模型来构建手势图象,调

节模型参数如手指弯曲角度的夹角等,以合成手的三维图形。根据手生成的图形和已获得的手图象匹

配,所得到的模型参数就构成了手势。1995 年,Lee J intae 和Kunii Tosiyasv l 研究用立体图像数据自动

分析三维手势[4 ] 。它用摄像机拍摄手的运动图像,使用轮廓提取边界特征进行识别的方法,成功地提

取27 个交互作用手参数,实现了三维手势的重构。其实早在1981 年, Kroeger 采用两个摄象机实现了

一个获取手势的系统,它通过用户的手在与鼠标垫一般大小的“镜象盒”的3D 空间中来完成交互。两

个镜子被放在大约与前平面成45 度角的位置上,两个镜子代替单个镜子产生了一个虚拟视点,加上两

垂直平面上的两个摄象机共三个视点相交成直角,以提供给用户一个确定的工作空间,在这个空间内允

许用户与计算机交互。