开发一种自动化评估系统,用于抵抗训练运动

科学领域:

• 生物力学 生物力学
• 计算机科学 计算机科学
• 体育科学 运动科学 运动科学

背景情况:

• 机器学习 (ML) 和便携式设备为抵抗训练 (RT) 提供自主运动分析.
• 现有的模型经常使用经验特征,限制可解释性和现实世界的应用.
• 需要具有强大的特征提取 (FE) 方法的可解释和通用化的模型.

研究的目的:

• 研究用于RT运动分析的可解释和可概括的ML技术.
• 对传统方法进行数据驱动的新型特征提取 (FE) 方法的评估.
• 开发ML模型来分类杆背和死的技术偏差.

主要方法:

• 使用两个Azure Kinect摄像头进行无标记运动捕捉,对61名参与者进行俯卧和死.
• 从深度成像中计算关节和断片动力学.
• 开发使用传统和数据驱动的FE技术进行技术偏差分类的ML分类器.

主要成果:

• 实现了RT运动中的几个技术偏差的准确分类 (≥70%).
• 其他技术偏差显示分类准确度较低 (55%-60%).
• 数据驱动的FE方法可以与传统的FE方法相提并论.

结论:

• 可解释和可通用的ML模型对于特定的RT运动分析任务是有效的.
• 数据驱动的FE并没有始终超过传统的FE方法.
• 进一步的研究可以完善ML模型以进行全面的RT技术评估.