研究人员开发了用于羽毛球表现分析的生物力学数据集

在运动训练中，练习是关键，但能够模仿专业运动员的技术可以让运动员的表现更上一层楼。基于人工智能的个性化运动教练助理可以利用已发布的数据集来实现这一目标。通过将摄像头和传感器战略性地放置在运动员的身体上，这些系统可以跟踪一切，包括关节运动模式、肌肉激活水平和注视运动。

使用这些数据，可以提供有关球员技术的个性化反馈以及改进建议。运动员可以随时随地访问这些反馈，使这些系统适用于各个级别的运动员。

在2024年4月5日《科学数据》杂志上发表的一项研究中，韩国光州科学技术学院(GIST)副教授SeungJunKim领导的研究人员与麻省理工学院(MIT)的研究人员合作，美国CSAIL开发了用于人工智能驱动的羽毛球训练的MultiSenseBadminton数据集。

“羽毛球可以从这些不同的传感器中受益，但缺乏用于分析和训练反馈的全面的羽毛球动作数据集，”博士说。候选人MinwooSeong，该研究的第一作者。

该研究的灵感来自麻省理工学院的ActionSense项目，该项目使用可穿戴传感器来跟踪日常厨房任务，例如削皮、切蔬菜和打开罐子。Seong与麻省理工学院的团队合作，包括麻省理工学院CSAIL博士后研究员JosephDelPreto和麻省理工学院CSAIL主任、麻省理工学院EECS教授DanielaRus和WojciechMatusik。他们共同开发了MultiSenseBadminton数据集，捕捉羽毛球运动员的动作和生理反应。

该数据集根据专业羽毛球教练的见解而形成，旨在提高正手清球和反手击球的质量。为此，研究人员收集了25名具有不同训练经验水平的球员23小时的挥杆动作数据。

在研究过程中，球员的任务是反复执行正手高球和反手开球，同时传感器记录他们的动作和反应。其中包括用于跟踪关节运动的惯性测量单元(IMU)传感器、用于监测肌肉信号的肌电图(EMG)传感器、用于足部压力的鞋垫传感器以及用于记录身体运动和羽毛球位置的摄像头。

总共收集了7,763个数据点，每次挥拍都根据击球类型、球员的技术水平、羽毛球落地位置、相对于球员的撞击位置以及撞击时的声音进行了精心标记。然后使用机器学习模型验证该数据集，确保其适合训练以评估中风质量并提供反馈。

“MultiSenseBadminton数据集可用于为球拍运动员构建基于人工智能的教育和训练系统。通过分析不同级别运动员之间运动和传感器数据的差异，并创建人工智能生成的动作轨迹，该数据集可应用于个性化训练每个级别的玩家的动作指南，”Seong说。

收集到的数据可以通过触觉振动或肌肉电刺激来增强训练，促进更好的运动并完善挥杆技术。此外，运动员跟踪数据(例如MultiSenseBadminton数据集中的数据)可以推动虚拟现实游戏或训练模拟，使运动训练变得更容易获得和负担得起，从而有可能改变人们的锻炼方式。