相关实验视频
Updated: Jun 2, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.3K
评估深度学习算法和基于视频的动作捕捉系统在估计抓取动力学中的准确性
Federico Thiele1, Florian Paternoster1, Chris Hummel2
1Department of Sport and Health Sciences, Technical University of Munich, Munich, BY, GERMANY.
International journal of exercise science
|January 14, 2025
概括
无标记器的视频系统与基于标记器的系统相比显示出差异,用于举重抢夺分析. 虽然尚未完全可比,但进展表明无标记系统可能成为可行的培训替代方案.
科学领域:
- 生物力学 生物力学
- 运动科学 运动科学 运动科学
- 运动学和动力学.
背景情况:
- 定量动力学分析对于评估举重抢夺表现至关重要.
- 基于标记器 (MB) 的系统是准确的,但对于实时培训和竞争是不切实际的.
- 基于无标记的视频 (VB) 系统通过深度学习提供了潜在的实际解决方案.
研究的目的:
- 评估VB系统的可比性和适用性,以获得抢断动力学.
- 为了比较VB系统的动力学数据与黄金标准的MB参考系统.
主要方法:
- 21名举重运动员进行了不同强度的抢夺 (65-80% 1RM).
- 用MB (Vicon Nexus) 和VB (Contemplas/Theia3D) 两种系统进行了动力学捕捉.
- 分析包括联合中心位置,联合角度和统计参数映射 (SPM).
主要成果:
- 在关节中心位置 (下肢:4.7±1.2厘米,上肢:5.7±1.5厘米) 中发现了显著的差异.
- VB和MB系统在联合角度上显示出不同的一致性,与更好的正面平面相关性 (RMSD:11.2±5.9°).
- 在大多数自由度之间,SPM揭示了显著的动力学差异,特别是在下肢延伸角度和第二次拉动过程中的速度.
结论:
- 与MB系统相比,当前的VB系统具有显著的动力学差异,表明缺乏直接可比性.
- 差异可能源于各种模型和假设,而不是固有的测量准确性.
- 基于神经网络的VB方法的进步显示了未来在举重分析中使用的前景.
