基于使用可穿戴传感器捕获的骨盆和干部动力学,用于调音类型分类的机器学习方法
Larisa Gomaz1,2, Celine Bouwmeester2, Erik van der Graaff3
1Delft Institute of Applied Mathematics, Delft University of Technology, 2628 CD Delft, The Netherlands.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
可穿戴式传感器可以使用骨盆和骨干运动数据自动分类棒球场类型. 像Random Forest这样的机器学习模型为优化投手训练和表现提供了可操作的见解.
科学领域:
- 运动科学 运动科学 运动科学
- 生物力学 生物力学
- 机器学习 机器学习
背景情况:
- 可穿戴设备为运动员的训练和绩效监测产生大量数据.
- 从数据驱动培训中获得个性化见解仍然是一个挑战.
- 投球机制和投球类型对于棒球投手的表现和伤害预防至关重要.
研究的目的:
- 开发一种机器学习方法来对棒球场类型进行分类.
- 为了利用可穿戴传感器 (PITCHPERFECT) 测量骨盆和骨干的数据,测量峰值角速度和分离时间.
- 为优化投球表现和伤害风险管理提供可操作的见解.
主要方法:
- 采用可穿戴传感器 (PITCHPERFECT) 来记录摆动的动力和时间参数.
- 应用机器学习算法,包括用于二进制分类的天真贝叶斯和用于多类分类的随机森林.
- 专注于骨盆和骨干峰值角速度和它们的分离时间作为关键特征.
主要成果:
- 随机森林算法在多类球场类型分类中实现了最高的准确性.
- 快球分类准确率达到了71%.
- 三种不同的音调类型的分类准确率为61.3%.
结论:
- 可穿戴式传感器技术显示了提高棒球投球分析的巨大潜力.
- 基于动力学数据的自动发音类型检测可以为训练提供有价值的反.
- 这种方法为所有竞争级别的投手提供了可操作的见解.
