基于腰部穿戴式 IMU 的 AI 辅助排球跳跃自动检测与高度估计

跳跃的物理负荷在排球运动员的损伤预防中起着关键作用。然而，对跳跃活动进行手动视频分析耗时且成本高昂，需要大量工作和昂贵的硬件设置。惯性测量单元（IMU）和机器学习算法的出现提供了一种便捷高效的替代方案。尽管如此，以往的研究主要集中在跳跃分类或物理负荷估计上，在集成解决方案方面留下了空白。本研究旨在提出一个流程，利用腰部穿戴式 IMU 的数据自动检测跳跃并预测高度。该流程利用多阶段时间卷积网络（MS-TCN）来检测时间序列数据中的跳跃片段并分类具体的跳跃类别。随后，基于识别出的片段，使用三个下游回归机器学习模型来估计跳跃高度。我们的方法在一个包含 10 名运动员和 337 次跳跃的数据集上进行了验证。与 VERT（一种常用于跳跃着陆任务的商用设备）在高度估计上的结果（R 平方 = -1.53）相比，我们的方法不仅能准确识别跳跃活动及其具体类型（F1 分数 = 0.90），而且在高度预测方面表现出更优越的性能（R 平方 = 0.50）。这种集成解决方案为监测排球运动员的物理负荷和降低损伤风险提供了一个有前景的工具。