在射箭运动中使用电眼镜和比较深度学习模型自动检测静眼持续时间

科学领域:

• 运动科学 运动科学 运动科学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 静眼 (QE) 对于体育精度至关重要,但传统的检测是主观的,耗时的.
• 电眼镜学 (EOG) 提供了一个潜在的客观测量眼神跟踪.
• 自动化QE检测可以增强体育表现分析和训练.

研究的目的:

• 开发和评估深度学习模型,用于使用EOG信号的自动静眼检测.
• 将各种深度学习架构的性能与传统模型进行比较.
• 建立一个客观和可扩展的方法来分析射箭中的QE.

主要方法:

• 在射击过程中从10名弓箭手收集了EOG数据.
• 采用波波变换和巴特沃思带宽波的预处理EOG信号.
• 实现并比较支持向量机 (SVM),CNN+LSTM,CNN+GRU,变压器,UNet和1D CNN模型用于QE检测.

主要成果:

• 在CNN+LSTM模型中,准确度最高 (95%),其次是CNN+GRU (93%).
• 深度学习模型显著优于传统的SVM模型.
• CNN+LSTM和CNN+GRU在捕捉时空EOG信号依赖性方面表现出卓越的能力.

结论:

• 深度学习为静眼分析提供了有效,可扩展和客观的解决方案.
• 自动化QE检测减少了对主观专家注释的依赖.
• 这种方法可以通过实时,数据驱动的反来增强体育训练,并有可能用于更广泛的技能评估应用.