在跑步机上滑冰滑雪期间评估3D无标记器运动捕捉系统的准确性
Petra Torvinen1, Keijo S Ruotsalainen1, Shuang Zhao1
1Faculty of Sport and Health Sciences, University of Jyväskylä, 88610 Jyväskylä, Finland.
Bioengineering (Basel, Switzerland)
|February 23, 2024
概括
这项研究介绍了一种深度学习系统,用于滑板滑雪中的无标记3D运动捕捉. 该系统准确分析滑雪技巧,提供一个实用的教练工具,不需要标记.
科学领域:
- 生物力学 生物力学
- 运动技术技术 运动技术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 基于标记器的运动捕捉是分析运动运动的标准.
- 固定标记可能很麻烦,可能会改变自然运动.
- 开发无标记系统提供了一种更方便,可能更自然的方法.
研究的目的:
- 开发和验证基于深度学习的3D无标记运动捕捉系统,用于滑板滑雪.
- 为了比较这种无标记系统与传统的基于标记的系统的准确性.
- 评估系统作为潜在的辅导工具的实用性.
主要方法:
- 一个定制的深度学习模型 (DeepLabCut) 使用来自两个摄像头的同步视频数据进行训练.
- 参与者在跑步机上进行滑板滑雪,使用G1和G3技术.
- 无标记运动捕捉数据与基于标记的运动捕捉数据进行统计比较,用于关节中心和角度.
主要成果:
- 在联合向量角方面发现了很高的一致性 (平均差异: -2.47°到3.69°).
- 关节中心位置和脚位置的平均差异为24.0至40.8毫米.
- 在关键动力学变量方面,无标记系统的准确性与基于标记系统的准确性相当.
结论:
- 开发的基于深度学习的无标记运动捕捉系统对于分析滑板滑雪技术非常准确.
- 这项技术可以作为一个有价值的教练工具,增强运动员的反.
- 无标记运动捕捉消除了对物理标记和昂贵设备的需求,从而实现了高效的数据收集.
