通过机器学习和可穿戴传感器,智能优化田径训练教学
Yunxia Li1, L I Wang2, Ziyu Wang3
1School of Physical Education, Shandong University of Physical Education, Rizhao, 276826, Shandong, China.
Scientific reports
|October 21, 2025
概括
本研究介绍了一种机器学习框架,使用可穿戴传感器和人工智能来个性化田径指令. 与传统方法相比,该系统提高了学习速度,降低了受伤风险.
科学领域:
- 运动科学 运动科学 运动科学
- 机器学习在教育中的应用
- 生物力学 生物力学
背景情况:
- 传统的田径教育面临主观评估和手动反的挑战,阻碍了个性化的教学.
- 大规模的教育环境需要创新的解决方案,以提供有效和个性化的指导.
研究的目的:
- 开发和验证一种新的机器学习框架,通过智能分析和个性化来优化田径教学.
- 通过数据驱动的洞察来改善绩效指标并降低运动员受伤风险.
主要方法:
- 开发了一个集成的多模式传感系统,配备可穿戴IMU (200Hz),高清摄像头 (120fps) 和力量平台.
- 实现了一种混合CNN-BiLSTM架构,用于实时生物力学数据分析.
- 利用强化学习原理来实现自适应式学习优化算法.
主要成果:
- 混合CNN-BiLSTM组合模型在体育分类任务中实现了F1分数从0.88到0.94.
- 该框架显示,与传统基准相比,技能培养时间提高了27.3%,受伤风险降低了41.2%.
- 废弃性研究证实组件协同作用比单个子系统提高了17.3%的性能.
结论:
- 拟议的机器学习框架为体育教育中的数据驱动教学转型提供了一个有希望的方法.
- 该系统有可能在中学后教育和职业体育训练中广泛实施.
- 这项研究为运动中智能,个性化的教练奠定了基础.
