محققان در حال توسعه یک مجموعه داده بیومکانیکی برای تجزیه و تحلیل عملکرد بدمینتون هستند

در تمرینات ورزشی، تمرین کلیدی است، اما توانایی تقلید از تکنیک های ورزشکاران حرفه ای می تواند عملکرد یک بازیکن را به سطح بالاتری برساند. دستیاران آموزش ورزشی شخصی مبتنی بر هوش مصنوعی می توانند با استفاده از مجموعه داده های منتشر شده به این مهم دست یابند. با دوربین‌ها و حسگرهایی که به صورت استراتژیک بر روی بدن ورزشکار قرار می‌گیرند، این سیستم‌ها می‌توانند همه چیز از جمله الگوهای حرکتی مفاصل، سطوح فعال‌سازی عضلات و حرکات نگاه را ردیابی کنند.

با استفاده از این داده ها، بازخورد شخصی در مورد سبک بازیکن، همراه با توصیه های بهبود ارائه می شود. ورزشکاران می توانند در هر زمان و هر مکان به این بازخورد دسترسی داشته باشند و این سیستم ها را برای ورزشکاران در همه سطوح همه کاره می کند.

در مطالعه ای که در این مجله منتشر شده است داده های علمی در 5 آوریل 2024، محققان به رهبری دانشیار سونگ جون کیم از موسسه علم و فناوری گوانگجو (GIST)، کره جنوبی، با همکاری محققان موسسه فناوری ماساچوست (MIT)، CSAIL، ایالات متحده، مجموعه داده MultiSenseBadminton برای آموزش بدمینتون بر اساس … هوش مصنوعی.

دکتر می‌گوید: «بدمینتون می‌تواند از این حسگرهای مختلف بهره‌مند شود، اما مجموعه‌ای از داده‌های جامع حرکت بدمینتون برای تجزیه و تحلیل و بازخورد برای آموزش کمیاب است». نامزد Minwoo Seung، اولین نویسنده این مطالعه.

این مطالعه از پروژه ActionSense MIT الهام گرفته شده است که از حسگرهای پوشیدنی برای ردیابی کارهای روزمره آشپزخانه مانند پوست کندن، خرد کردن سبزیجات و باز کردن شیشه ها استفاده می کرد. سئونگ با تیم MIT، از جمله جوزف دلبریتو، محقق فوق دکتری MIT CSAIL و مدیر MIT CSAIL و پروفسور MIT EECS Daniela Ros Wojciech Matuszek همکاری کرد. آنها با هم مجموعه داده MultiSenseBadminton را توسعه دادند و حرکات و پاسخ های فیزیولوژیکی بازیکنان بدمینتون را ثبت کردند.

این مجموعه داده که بر اساس بینش مربیان حرفه ای بدمینتون شکل گرفته است، با هدف بهبود کیفیت فورهند و بک هند واضح است. برای این کار، محققان 23 ساعت داده حرکت نوسانی را از 25 بازیکن با سطوح مختلف تجربه تمرینی جمع آوری کردند.

در طول این مطالعه، بازیکنان وظیفه داشتند بارها و بارها ضربات جلو و بک هند واضح را اجرا کنند در حالی که حسگرها حرکات و پاسخ های آنها را ضبط می کردند. اینها شامل حسگرهای واحد اندازه‌گیری اینرسی (IMU) برای ردیابی حرکات مفصل، حسگرهای الکترومیوگرافی (EMG) برای نظارت بر سیگنال‌های عضلانی، حسگرهای کفی برای فشار پا، و دوربینی برای ثبت حرکات بدن و موقعیت‌های شاتل می‌شوند.

با جمع آوری 7763 نقطه داده، هر تاب بر اساس نوع ضربه، سطح مهارت بازیکن، محل فرود شاتل، محل برخورد نسبت به پخش کننده و صدای در هنگام ضربه به طور دقیق طبقه بندی می شود. سپس این مجموعه داده با استفاده از یک مدل یادگیری ماشین اعتبارسنجی شد و اطمینان حاصل کرد که برای آموزش مدل‌های هوش مصنوعی برای ارزیابی کیفیت ضربه‌ها و ارائه بازخورد مناسب است.

مجموعه داده MultiSenseBadminton را می توان برای ساختن سیستم های آموزشی مبتنی بر هوش مصنوعی برای بازیکنان راکتبال با تجزیه و تحلیل تغییرات حرکت و داده های حسگر بین سطوح مختلف بازیکنان و ایجاد جریان های کاری تولید شده توسط هوش مصنوعی، استفاده کرد. سئونگ می گوید: “راهنماهای حرکت برای هر سطح از بازیکنان.”

داده‌های جمع‌آوری‌شده می‌تواند تمرین را از طریق ارتعاش لمسی یا تحریک الکتریکی ماهیچه‌ها، ارتقاء حرکت بهتر و بهبود تکنیک‌های نوسانی افزایش دهد. علاوه بر این، داده‌های ردیابی بازیکن، مانند داده‌های موجود در مجموعه داده MultiSenseBadminton، می‌تواند به بازی‌های واقعیت مجازی یا شبیه‌سازی‌های تمرینی وارد شود و آموزش ورزشی را در دسترس‌تر و مقرون به صرفه‌تر کند، که می‌تواند شیوه تمرین افراد را تغییر دهد.