基于机器学习的冰球滑冰任务的分类,使用动力学数据.
Oussama Jlassi1, Ethan W C Wilkie1, Matthew Kelly1
1Department of Kinesiology and Physical Education, Mcgill University, Montreal, Canada.
Sports biomechanics
|October 9, 2025
概括
机器学习模型使用体段动力学准确地识别冰球滑冰任务. 骨盆部门在自动化球员评估和体育分析方面表现最好.
科学领域:
- 生物力学 生物力学
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 准确识别滑冰技术对于冰上曲棍球表现分析至关重要.
- 之前的研究已经探索了分析球员运动的各种方法,但自动识别特定的滑冰任务仍然是一个挑战.
研究的目的:
- 评估机器学习模型在识别冰上曲棍球滑冰任务时的有效性,使用体段动力学数据.
- 为了比较不同机器学习模型的性能,并确定哪些身体部分为滑冰任务分类提供了最具预测性的动力学数据.
主要方法:
- 四个机器学习模型 (XGBoost,支持矢量机,随机森林) 用来分类四个冰球滑冰任务.
- 动力学数据,特别是来自干部,骨盆,大腿,腿部和脚部的质量中心的线性加速,被用作输入特征.
- 一个由参与者分层的十倍交叉验证被用于模型培训和评估.
主要成果:
- 机器学习模型在识别滑冰任务时实现了高精度,从86.5%到98.9%.
- 骨盆部分表现出最高的预测性能,其次是干部和脚部部分.
- 在所有测试的模型中,大腿部分的准确性与其他身体部分相比普遍较低.
结论:
- 机器学习可以有效地使用体段动态数据,特别是来自骨盆,干部和脚部的动态数据,用于自动识别冰球滑冰任务.
- 选择体段动力学数据显著影响机器学习模型的预测性能.
- 这项研究为通过自动化运动分析来推进体育分析和冰球运动员绩效评估提供了宝贵的见解.
