PoseShot:混合CNN-BiLSTM变压器模型,通过姿势分析识别自由投动作
Wei-Chun Hsu1, Cheng-Chi Lee2,3, Yong-Hsiang Lee4
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan.
Scientific reports
|March 1, 2026
概括
这项研究介绍了PoseShot,一种用于分析篮球自由投机制的新型AI模型. 它提供数据驱动的洞察力,通过客观评估技术来提高运动员的表现,超越主观评估.
科学领域:
- 运动科学 运动科学 运动科学
- 人工智能的人工智能
- 生物力学 生物力学
背景情况:
- 传统的篮球自由投分析依赖于主观的评估,导致偏见和不一致.
- 现有的人类活动识别模型缺乏细粒度,无法对复杂的运动运动进行细粒度分析.
研究的目的:
- 介绍PoseShot,一种双通道混合CNN-BiLSTM-变压器模型,用于客观,数据驱动的篮球自由投机制分析.
- 为了能够对单个自由投动作进行细粒度,相位依赖的分析.
- 为提高运动员表现提供可量化的见解.
主要方法:
- 开发了一种双通道深度学习架构,用于空间特征集成卷积神经网络 (CNN),用于时间动态的双向长期短期记忆 (BiLSTM) 和用于上下文理解的变压器编码器.
- 结合训练录像与精确的身体姿势角度计算.
- 采用了结合CNN,BiLSTM和变压器的混合模型进行运动分析.
主要成果:
- PoseShot实现了高性能指标:F1得分为95.76%,精度为95.72%,回忆率为95.80%.
- 在分析复杂的投动作方面,超越了像DenseNet,Swin Transformer和Vision Transformer这样的既定架构.
- 确定了成功自由投的关键生物力学决定因素,为运动员和教练提供了可操作的指导.
结论:
- PoseShot提供准确,客观的运动分析,弥合主观评估和高级分析之间的差距.
- 该模型为体育表现分析提供了一个变革性的工具,彻底改变了篮球训练.
- 来自PoseShot的数据驱动洞察力促进了姿势优化和行动一致性,以提高运动表现.