IMUとディープラーニングアルゴリズムを用いた国立スポーツ医学アカデミーのガイドラインに基づくスクワットエラーの分類
Navideh Khalilipour1, Raheleh Tajik1, Ali Abbasi2
1Department of Biomechanics and Sports Injuries, Faculty of Physical Education and Sports Sciences, Kharazmi University, Tehran, Iran.
Computers in biology and medicine
|August 26, 2025
まとめ
この研究は,慣性測定ユニット (IMU) のデータを用いて自動化されたスクワットエラー分類のためのディープラーニング方法を導入します. CNN-GRUのようなハイブリッドモデルは 単一のIMUでも高い精度で スポーツ科学やリハビリテーションを支援しています
科学分野:
- スポーツ科学
- バイオメカニクス
- 機械学習
背景:
- 正確なスクワット評価は 怪我の予防とパフォーマンスの向上に不可欠です
- 伝統的な視覚的スクワット分析には 客観性や一貫性がないのです
- 主観的な評価の限界を克服するために自動化された方法が必要です.
研究 の 目的:
- スクワット運動の誤差を分類するためのディープラーニングモデルを開発し評価する.
- IMUデータを用いて様々なモデルアーキテクチャ (CNN,GRU,TabNetハイブリッド) の有効性を評価する.
- スクワットエラーを正確に検出するための最適なセンサー位置を決定します.
主な方法:
- アスリートに置かれた5つの慣性測定単位 (IMU) のデータを利用した.
- 複数のディープラーニングモデル (CNN,CNN-TabNet,GRU,GRU-TabNet,CNN-GRU,CNN-GRU-TabNet) をトレーニングして比較した.
- 正確さ,精度,リコール,F1スコアに基づいて評価されたモデルで,5つのスクワットバリエーション (正しい,膝のヴァルガス,膝のヴァルス,背中の曲,背中の丸め) を分類します.
主要な成果:
- CNN-GRUモデルは,5つのIMUのデータを用いて最も高い分類精度 (0.997) を達成した.
- 片 IMU で最適な性能は,右の太ももセンサーを使用して達成され,0. 988の精度に達しました.
- ハイブリッドモデル (CNN-TabNet,GRU-TabNet) は,すべてのIMUを使用すると,ベースCNNおよびGRUモデルよりも精度が向上しました.
結論:
- ハイブリッドのディープラーニングモデル,特にCNN-GRUは,自動化されたスクワットエラー分類の大きな可能性を示しています.
- スクワットエラー検出の高精度は,戦略的に配置された単一のIMUで実現可能である.
- これらの発見は,スポーツ科学とリハビリテーションアプリケーションのための実践的なウェアラブルシステムの開発をサポートします.
