BadminSense：基于单智能手表的羽毛球击球细粒度评估

文献标题

BadminSense: Enabling Fine-Grained Badminton Strokes Evaluation on Single Smartwatch

出版信息

• 研究领域: 可穿戴传感技术在运动表现分析中的应用
• 关键词: 羽毛球, 智能手表, 击球评估, 可穿戴传感, IMU, 声学信号, 技能分析, 球拍运动, 用户研究, 机器学习

背景与问题

• 问题/挑战: 业余羽毛球玩家缺乏可用的工具进行精确的技能评估和改进，通常依赖主观反馈或有限的外部资源（如视频）。
• 重要性: 提供关于击球质量和撞击位置的定量反馈可以提高自我训练效率并促进技能发展。
• 动机与相关工作: 现有系统（如球拍安装传感器和基于摄像头的设置）虽然提供精确跟踪，但存在实际局限性，如侵入性、设置复杂性以及对比赛的干扰。现有基于智能手表的系统主要关注基本指标，但缺乏精细的击球评估能力。

解决方案

• 提出的方法: BadminSense 是一种基于智能手表的系统，利用 IMU 和声学信号分析羽毛球击球动作，包括分类、质量评分和羽毛撞击位置估计。
• 创新点:
  1. 开发了一种使用单一智能手表的精细羽毛球击球感知系统。
  2. 创建了一个包含 848 次击球的标注数据集，包括专家评估的质量评分和撞击位置。
  3. 实现了击球分段、分类、质量评分和撞击位置估计算法。
  4. 可用性研究证明了其在实际场景中的适用性和用户满意度。
• 流程与关键技术:
  • 与有经验的玩家进行访谈，确定设计需求和实现见解。
  • 使用智能手表采集 IMU 和声学信号数据，并标注击球类型、质量评分和撞击位置。
  • 使用机器学习模型（如 SVM、SVR）进行击球分类和回归任务。
  • 通过交叉验证和用户独立策略评估系统组件（分段、分类、评分、位置估计）。

结果

• 具体发现:
  • 击球分类准确率：91.43%（用户独立）。
  • 击球质量评分误差：0.438（平均绝对误差，用户独立）。
  • 撞击位置估计误差：12.9%（归一化 MAE）。
  • 击球分段准确率：99.41%。
• 相较基线的优势: 在分类和回归任务中优于其他机器学习模型（如随机森林、线性回归）；相比球拍安装或基于摄像头的系统，展示了非侵入式感知的优势。
• 实验/评估:
  • 数据集：来自 12 名玩家的 848 次击球，由 21 名专家标注。
  • 评估指标：准确率、MAE、误报率。
  • 可用性研究：12 名参与者对系统的可靠性（M = 4.14）、可用性（M = 4.27）和参与度（M = 4.24）进行了 5 分制 Likert 量表评分。
• 局限性与未来工作:
  • 支持的击球类型有限；计划扩展数据集并探索迁移学习。
  • 球拍线张力和持拍手对性能的影响需要进一步研究。
  • 缺乏羽毛球速度估计；未来将结合物理建模和数据驱动方法。
  • 基于规则的反馈机制；有潜力通过大型语言模型提供上下文感知建议。
  • 需要开展纵向研究评估技能随时间的提升。

总结

BadminSense 是一款基于智能手表的系统，专为精细羽毛球击球评估设计，解决了自我训练工具可用性不足的问题。通过 IMU 和声学信号，该系统在击球分类（91.43% 准确率）和撞击位置估计（12.9% 误差）方面表现出色。可用性研究证实了其在实际练习中的可靠性、可用性和参与度。未来方向包括扩展击球类型、适应不同球拍属性、估计羽毛球速度以及改进反馈机制。BadminSense 展示了腕戴设备在球拍运动中进行精确技能分析的潜力。