智能足球运动员的运动识别系统基于卷积神经网络和大数据
1College of Physical Education and Music,Qilu University of Technology (Shandong Academy of Sciences), Jinan, 250353, China.
Heliyon
|December 6, 2023
概括
本研究介绍了一种深度学习模型,将时空图神经网络 (STGNN) 和双向长短期记忆 (BiLSTM) 结合起来,用于增强足球图像分析. 该模型在动作识别方面实现了高精度,有助于球员训练和预防伤害.
科学领域:
- 运动科学 运动科学 运动科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 足球运动员的训练需要客观的绩效指标.
- 目前在足球中的图像识别方法有局限性.
- 深度学习为先进的体育分析提供了潜力.
研究的目的:
- 开发和评估一个新的深度学习模型,用于足球图像处理.
- 加强职能力量训练和足球运动员的伤害预防.
- 改进足球图像中的动作识别和分类.
主要方法:
- 一种混合的深度学习模型,融合了时空图神经网络 (STGNN) 和双向长短期记忆 (BiLSTM).
- STGNN使用图形卷积和注意力模块提取空间特征.
- BiLSTM通过图像序列捕捉时间动态.
主要成果:
- 拟议的模型实现了94.34%的准确性,92.35%的精度,90.44%的回忆率和89.22%的F1分数在动作识别中.
- 在从足球图像中提取全面特征方面表现出熟练.
- 保持稳定的识别性能和高精度.
结论:
- 深度混合注意力网络模型对于足球图像处理任务非常有效.
- 为预防伤害和个性化提高足球技能提供了有价值的见解.
- 代表了智能足球训练系统的重大进步.


