摘要
近年来，可穿戴设备在各种普适计算和物联网 (IoT) 应用中获得了极大的普及。体育分析研究人员最近专注于提高球员的表现，以帮助制定基于球员游戏玩法的获胜策略。尤其是在以球拍为基础的羽毛球运动中，人们认为在比赛过程中处理球拍是影响球员表现的主要因素之一。相反，作者认为球员的姿势、身体动作和姿势对于评估球员在比赛中的表现同样重要。以专业的姿势、站姿和身体动作为特征的击球可以让球员有效地击球，从而帮助球员将球引导到战略位置，并使对手难以回击并得分。基于这个假设，作者提出了 DeCoach，这是一个数据驱动的框架，它利用球员的姿态和姿势，并根据他们的表现对他们进行排名。在这项工作中，作者首先采用基于深度学习的算法对球员的击球和姿势进行分类。其次，作者提出了一种基于距离的方法来比较球员和职业球员获得的步伐。最后，作者设计了一个基于深度学习的回归器来评估球员的表现。作者使用了一个内部数据集--羽毛球活动识别 (BAR) 数据集来评估 DeCoach，该数据集是使用惯性测量单元 (IMU) 传感器收集的，将它们放置在球员的上肢和下肢上。 BAR 数据集是从 11 名球员在受控和非受控环境设置中收集的。实证结果表明，DeCoach 在击球检测方面的准确率达到 89.09%。
技术框架
在图所示，是 DeCoach 的整体框架图，作者将所提出的框架分为四个主要模块：击球类别检测、姿势的误差检测、误差指标计算和分数预测。由于羽毛球运动涉及上肢和下肢的协调运动，因此必须捕捉所有肢体的运动。首先，作者分别在受控和不受控的环境中分别收集了 4 名和 7 名参与者的数据。“击球类别检测”模块涉及使用上肢的可穿戴设备来训练分类器，目标是检测球员的击球动作属于哪种类别。一旦确定了击球的类型，我们就可以使用击球类别来确定球员使用下肢击球的可能方式了。作者提出了一种基于距离的姿态检索来提取这些可能的姿态，事实上，作者是采用基于实例的模板匹配从已有的知识库中选择理想的姿态进行学习，所谓理想的姿态指的就是专业运动员的在做同类别击球时所采用的姿势和步伐，匹配使用的KNN算法。最后，作者又利用职业球员和业余球员之间学到的误差给业余运动员打分。作者调查了各种有助于根据职业球员的表现确定业余球员的表现的误差指标，然后对获得的各种指标进行特征选择，以消除相关性较高的度量指标。这些指标被作为球员的特征输入到一个CNN中，预测球员的得分。训练时使用的标签是手工标注的。