基于腰部 IMU 与多阶段时间卷积网络的排球跳跃分类
机器学习
2023-10-23 v1
摘要
监测排球运动员在训练或比赛中的跳跃次数对预防损伤至关重要，但传统方法（如视频分析）工作量与成本可观。且现有方法无法准确区分不同跳跃类型。本研究提出一种在腰部佩戴单一惯性测量单元（IMU）的低侵入式系统，以识别排球跳跃类型。我们采用多层时间卷积网络（MS-TCN）进行样本级分类。该模型分别在十名与二十六名排球运动员上评估：前者于实验室固定跳跃落地协议下进行，后者于四次排球训练中进行。MS-TCN 模型性能优于一流深度学习模型，且计算成本更低。实验室环节中，多数跳跃计数预测与视频标注差异小，总体计数 Limits of Agreement（LoA）为 0.1±3.40（r=0.884）。相较之下，所提算法略逊于 VERT（商用跳跃评估设备，LoA 为 0.1±2.08，r=0.955），但差异仍处可比范围。训练环节中，三类跳跃（拦网、扣杀与上手发球）的识别与观测平均差异小于 10 次。这些结果显示了利用单一 IMU 识别排球跳跃类型的潜力。样本级架构提供了高分辨率识别，且 MS-TCN 相较一流模型所需训练参数更少。
引用
@article{arxiv.2310.13097,
title = {A Multi-Stage Temporal Convolutional Network for Volleyball Jumps Classification Using a Waist-Mounted IMU},
author = {Meng Shang and Camilla De Bleecker and Jos Vanrenterghem and Roel De Ridder and Sabine Verschueren and Carolina Varon and Walter De Raedt and Bart Vanrumste},
journal= {arXiv preprint arXiv:2310.13097},
year = {2023}
}
备注
NA