一个积极的机器学习框架,用于使用上肢动力学进行拳击拳击自动识别和分类

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
• 运动中的机器学习

背景情况:

• 拳击分类和动力学分析对于提高拳击表现至关重要.
• 目前使用传感器或视频数据的方法缺乏完全的自动化,并面临精度限制 (例如,运动模糊) 或高标注需求.
• 监督学习需要广泛的专家标签 (70-80%),这耗时且容易产生不一致.

研究的目的:

• 开发一个全自动化的多式联运系统,用于拳击拳击的识别和分类.
• 通过将可穿戴传感器和视频数据与自动视频分割集成来提高分类准确性.
• 显著减少模型培训所需的手动数据标签工作.

主要方法:

• 一种新的多式联接方法,集成可穿戴传感器和视频数据,用于自动识别和分类冲击.
• 实施打孔视频的自动细分,以提高分类准确度.
• 基于委员会的主动学习技术的查询应用,以尽量减少标签要求.

主要成果:

• 智能拳击系统实现了高精度:91.41%的后手拳击识别,91.91%的领手拳击识别,92.33%-94.56%的拳击分类.
• 积极学习技术减少了六分之一的标签努力 (仅使用典型努力的15%).
• 多式联网方式和自动细分提高了整体分类性能.

结论:

• 拟议的系统为自动拳击拳头分析提供了有效和高效的解决方案.
• 这项技术可以为训练优化和拳击中的表现提升提供宝贵的见解.
• 智能拳击系统有可能通过改进的体育分析来增加球迷的参与度.