相关实验视频
Updated: Jun 10, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
雪板半管道中的IMU空中时间检测:U-Net深度学习方法优于传统值算法
Tom Gorges1, Padraig Davidson2, Myriam Boeschen1
1Research Group Snowboard, Department Strength, Power and Technical Sports, Institute for Applied Training Science, 04109 Leipzig, Germany.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究使用机器学习与惯性测量单元 (IMU) 数据来准确检测雪板半管起飞和着陆事件. 这有助于改善空中时间分析,以提高运动员的表现和训练反.
科学领域:
- 运动科学 运动科学 运动科学
- 生物机械工程 生物机械工程
- 机器学习应用 机器学习应用
背景情况:
- 空中时间对于滑雪板半管技巧的难度和得分至关重要.
- 手动视频分析用于检测起飞和降落是耗时的.
- 准确的事件检测是需要实时反和生物机械分析.
研究的目的:
- 通过使用惯性测量单元 (IMU) 数据和机器学习,提高在雪板半管中起飞和降落事件的检测.
- 建立新的性能基准来检测这项运动中的事件.
- 为运动员和教练提供实时反和生物机械分析.
主要方法:
- 收集了精英滑雪板运动员的同步IMU (侧下腿) 和视频数据.
- 手动标记的IMU数据用于机器学习模型的培训和验证.
- 使用1D U-Net卷积神经网络 (CNN) 来对事件进行二进制细分.
主要成果:
- 在检测起飞和着陆事件方面,1D U-Net CNN显著超过了传统的值方法.
- 在未见的运行中实现了大幅度减少平均豪斯多夫距离 (80.34%的单个IMU,83.37%的双重IMU).
- 在Zero-Shot (67.58%的改进) 和Few-Shot (78.68%的改进) 细分场景中表现出强的表现,飞机起飞,降落和空中时间的时间偏差非常精确.
结论:
- 开发的U-Net模型提供了一个高度准确和高效的方法来检测雪板半管道中的关键事件.
- 这一进步使精确的实时反和详细的生物机械分析成为可能,这对于提高运动员表现至关重要.
- 该研究为高性能体育运动中基于IMU的事件检测建立了新的基准.
