模糊逻辑中的相似度指数值和支持矢量机器方法应用于识别在双腿曲线举重炼期间运动模式的变化
André B Peres1,2, Tiago A F Almeida2,3, Danilo A Massini2,3
1Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP), Piracicaba 13414-155, SP, Brazil.
Journal of functional morphology and kinesiology
|March 26, 2025
概括
这项研究使用了机器学习模型,包括模糊逻辑 (FL),来分析杆双脚卷曲. 与支持矢量机器 (SVM) 相比,模糊逻辑在识别运动运动模式方面表现出更高的准确性.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 运动科学 运动科学 运动科学
背景情况:
- 适当的监督对于正确的阻力练习执行至关重要.
- 识别运动形式的偏差对于预防伤害和提高表现至关重要.
- 评估运动技巧的现有方法可能是主观的,耗时的.
研究的目的:
- 提出和评估机器学习模型,用于分析杆双腿卷曲中的位置序列模式.
- 为了比较模糊逻辑 (FL) 和支持矢量机 (SVM) 在识别练习执行变化的有效性.
- 评估Morisita-Horn相似性指数与机器学习一起用于运动模式分析的实用性.
主要方法:
- 十名男性志愿者用不同的重量进行了杆双腿卷曲.
- 基于智能手机的移动捕捉记录了部平面中的关节位置和棒路径.
- 模糊逻辑 (FL) 和支持向量机 (SVM) 模型是使用相似性指数,偏差数据和专家评估开发的.
主要成果:
- 在50%的体重负荷下 (p < 0.002) 观察到垂直位移的显著偏差.
- 与支持矢量机 (SVM) 模型 (R2 = 0.81, r = 0.79) 相比,模糊逻辑 (FL) 模型实现了更高的性能 (R2 = 0.92, r = 0.96).
- 专家评估显示,超过70%的人同意对炼执行的统计分析.
结论:
- 模糊逻辑 (FL) 建模显示,对运动运动模式的自动评估有显著的前景.
- 这种方法可以帮助检测阻力练习中的错误,并可能提高运动运动性能.
- 机器学习,特别是FL,提供了一个客观而有效的工具来评估阻力练习技术.
