从单一腕戴惯性传感器学习高尔夫挥杆特征

尽管高尔夫挥杆分析对提升表现和预防损伤非常重要，但其受限于孤立的指标、职业运动员代表性不足以及缺乏丰富且可解释的运动表示。我们通过一种基于单一腕戴传感器的个性化高尔夫挥杆分析整体数据驱动框架来填补这些空白。我们利用公开视频构建了职业挥杆的大规模数据集，采用生物学准确的人体网格恢复技术重建全身 3D 运动学，并生成合成惯性数据来训练神经网络，以从腕部输入推断运动并划分挥杆阶段。我们学习了一种组合式的离散运动基元词汇表，有助于检测和可视化技术缺陷，且具有足够的表达能力来预测球员身份、球杆类型、性别和年龄。我们的系统能够根据腕部数据准确估计全身运动学和挥杆事件，在球场上提供实验室级别的运动分析，并支持对异常运动模式的早期检测。可解释性方法揭示了微妙的、个性化的运动特征，强化了“变异性是熟练表现的标志”这一观点。纵向追踪展示了其实用价值：随着一名球员的差点在 1.5 年内从 50 提升至 2.2，我们的系统捕捉到了可测量的技术进步，并提供了有针对性的、可操作的反馈。我们的发现挑战了常见假设，例如不同球杆间的挥杆一致性以及存在单一“理想”挥杆的观点，并揭示了由内在特质和任务特定约束共同塑造的潜在生物标志物。这项工作弥合了实验室与现场生物力学之间的差距，为研究、教练指导和损伤预防提供了可扩展、易获取且高保真的运动分析，同时为基于运动的表型分析、个性化装备设计和运动技能发展开辟了新方向。