根据长期和短期记忆神经网络,对人体体表仪和头骨划船中的力量和功率的估计.
Lorenzo Pitto1,2, Frédéric R Simon1,2, Geoffrey N Ertel1,2
1Development Adaptation Handicap (DevAH) Research Unit, Université de Lorraine, 54000 Nancy, France.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
本研究介绍了一种成本效益高的方法来分析划船性能,使用传感器来估计力和输出功率. 新技术准确地识别技术差异,有助于运动员监测.
科学领域:
- 运动科学 运动科学 运动科学
- 生物力学 生物力学
- 绩效分析 绩效分析
背景情况:
- 划船性能分析对运动员和教练来说至关重要.
- 目前使用专用设备 (PowerLine,BioRow) 的方法昂贵且耗时.
- 需要更容易获得和负担得起的绩效监测工具.
研究的目的:
- 开发一种更简单,更具成本效益的方法来估计划船力和输出功率.
- 为了验证新方法在区分不同划船技术的准确性.
主要方法:
- 使用电缆位置传感器用于人体表划船.
- 使用惯性测量单元 (IMU) 和GPS用于船头划船.
- 训练了一个长期短期记忆 (LSTM) 网络,使用来自12个人体表和11个船员的数据.
主要成果:
- LSTM网络准确地重建了划船力量和功率,平均绝对误差低于5%.
- 重建的数据以93%的准确度揭示了对象之间的技术差异.
- 留下一个漏洞的验证表明需要更多的数据来实现更广泛的概括性.
结论:
- 开发的方法为划船性能分析提供了更便宜,更容易的替代方案.
- 该技术对识别划船机制中的微妙差异显示出希望.
- 建议对更大的数据集进行进一步的研究,以提高该方法的通用性.
