谈球：基于3D生物力学动作识别的语言反馈

自动化网球动作分析已通过整合生物力学动作线索和深度学习技术而取得显著进展，显著提升了动作分类准确度和球员表现评估。尽管如此，现有系统往往无法将生物力学洞见与针对球员和教练的可访问且有意义的语言反馈相连接。本研究项目通过开发新框架，从运动数据中提取关键生物力学特征（如关节角度、肢体速度和动力链模式），这些特征由基于卷积神经网络长短期记忆网络（CNN-LSTM）的模型提取。对这些特征进行分析，以识别影响动作效果和伤痛风险的关系，作为反馈生成的基础。利用大型语言模型（LLM）生成反馈。借助THETIS数据集和特征提取技术，我们的方法旨在产生技术准确、生物力学依据且对最终用户有实际意义的反馈。实验设置评估了该框架在分类性能和可解释性方面的表现，弥合了可解释人工智能与运动生物力学之间的鸿沟。