深度学习 1D-CNN 基于冲刺加速中的地面接触检测使用惯性测量单位

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:

• 精确的地面接触 (GC) 检测对于冲刺性能分析至关重要.
• 惯性测量单元 (IMU) 提供基于现场的评估,但在冲刺加速可靠性方面存在局限性.
• 现有的启发式和机器学习算法在这个阶段难以精确地检测GC.

研究的目的:

• 引入和评估一个深度学习一维卷积神经网络 (1D-CNN) 进行增强的GC事件和时间检测.
• 在冲刺加速过程中提高基于IMU的生物机械监控的可靠性.
• 将1D-CNN的性能与现有方法进行比较.

主要方法:

• 十二名运动员进行了60米冲刺,最初的15米被双边树安装IMU和高速视频所捕捉.
• 来自视频的GC事件被用作训练和验证1D-CNN模型的基础真相.
• 来自IMU的结果加速和角度速度作为深度学习模型的输入特征.

主要成果:

• 优化的1D-CNN模型表现出卓越的性能,平均豪斯多夫距离≤6 ms.
• 该模型实现了100%的精度和回忆,在验证和测试数据集上,兰德指数≥0.977.
• 观察到与视频引用的近乎完美的一致性 (偏差<1毫秒,一致性极限±15毫秒,r>0.90).

结论:

• 1D-CNN显著优于启发式和以前的机器学习方法,用于在冲刺加速中检测GC.
• 这种深度学习方法提供了强大的,高度准确的GC检测,适合于现实世界的生物机械监控.
• 这些发现强调了深度学习时间序列模型在推进冲刺分析和性能优化方面的潜力.