转变性骨运动分析:通过图形神经网络优化运动训练和预防伤害
Jiaju Zhu1, Zijun Ye2, Meixue Ren3
1School of Physical Education, Northeast Normal University, Changchun, Jilin, China.
Frontiers in neuroscience
|April 12, 2024
概括
这项研究使用高级人工智能,如变压器和图形神经网络 (GNN) 进行骨运动分析,以改善体育训练和预防伤害. 人工智能模型提高了准确性和适应性,导致更好的炼结果和减少受伤风险.
科学领域:
- 运动科学 运动科学 运动科学
- 生物机械分析 生物机械分析
- 体育运动中的人工智能
背景情况:
- 运动对健康至关重要,但不适当的技术会导致体育伤害.
- 骨运动分析对于优化训练和预防伤害至关重要.
研究的目的:
- 利用人工智能开发一种先进的骨运动分析方法.
- 为了优化体育训练和减少受伤风险.
主要方法:
- 利用变压器网络进行全球运动序列建模.
- 使用图形神经网络 (GNN) 进行本地联合关系分析.
- 集成生成对抗网络 (GANs) 为增强模型稳定性和运动序列生成.
主要成果:
- 获得了大约90%的准确性,91%的回忆率和超过89%的F1分数.
- 与传统方法相比,在特异性 (~5%) 中表现出显著的改善.
- 在专业运动员和健身爱好者的数据集上进行验证.
结论:
- 这种人工智能驱动的方法有效地优化了运动训练和伤害预防.
- 变压器,GNN和GAN的集成增强了运动特征捕获和模型适应性.
- 未来的工作旨在进一步完善强有力的支持健康运动的方法.
