在排球中,人工智能辅助的自动跳跃检测和高度估计使用腰部佩戴的IMU

科学领域:

• 运动科学 运动科学 运动科学
• 生物机械工程 生物机械工程
• 机器学习应用 机器学习应用

背景情况:

• 排球跳跃分析对于预防伤害至关重要,但手工方法是劳动密集型的.
• 惯性测量单位 (IMU) 和机器学习为跳跃分析提供了高效的替代方案.
• 现有的研究往往将跳跃分类和物理负载估计分开,缺乏综合解决方案.

研究的目的:

• 开发一个自动化管道来检测排球跳跃,并使用腰部佩戴的IMU数据预测跳跃高度.
• 将跳跃检测,分类和高度估计集成到一个系统中.
• 为监控球员负载和减少受伤风险提供一个实用的工具.

主要方法:

• 利用多阶段时间卷积网络 (MS-TCN) 来从时间序列IMU数据中进行跳跃细分和分类.
• 采用了三种下游回归机器学习模型,根据检测到的跳跃段来估计跳跃高度.
• 在10名玩家和337次跳跃的数据集上验证了管道.

主要成果:

• 该系统在识别跳跃活动及其类型方面取得了很高的准确性 (F1分数 = 0.90).
• 与商用VERT设备 (R-squared = -1.53) 相比,证明了更高的跳跃高度预测性能 (R-squared = 0.53).
• 成功地将跳跃检测和高度预测集成到一个连贯的管道中.

结论:

• 开发的管道为使用IMU分析排球跳跃提供了准确和有效的方法.
• 这种综合解决方案为监控体力负荷和减轻运动员受伤风险提供了宝贵的工具.
• 这些发现突显了机器学习和IMU在体育绩效分析和伤害预防方面的潜力.