机器学习技术用于估计橄球比赛期间的个体三维地面反应力

科学领域:

• 体育科学 运动科学 运动科学
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 橄球比赛对比赛结果至关重要,由前进水平力驱动.
• 目前用于测量斗力的方法有限,需要便携式解决方案.
• 仪器内可以测量地面反应力 (GRF),但面临非垂直力的挑战.

研究的目的:

• 为了比较四个机器学习算法来估计在使用仪器内的橄球比赛中3DGRF.
• 评估数据集扩展和模型个性化的有效性,以提高准确性.
• 为了确定最好的模型,准确地评估个体球员在现场争中的力量贡献.

主要方法:

• 评估了四种机器学习算法:随机森林,多层感知器 (MLP),长短期记忆 (LSTM) 和混合LSTM-MLP.
• 该研究使用仪器内来捕获橄球比赛期间的GRF数据.
• 培训配置包括数据集扩展和模型个性化.

主要成果:

• 在减少数据集上训练的个性化MLP模型实现了最佳性能.
• 规范化根平均平方误差为1.8% (中侧),5.6% (前后) 和8.3% (垂直).
• 在扩展数据集上训练的非个性化MLP也显示出高准确度,适合新个人.

结论:

• 机器学习,特别是个性化的MLP,可以在橄球比赛中的仪器内中准确地估计3DGRF.
• 这项技术可以在现场评估个体球员的力量贡献.
• 这些发现支持在团队运动中使用仪器内和ML进行生物力学分析.