【论文分享】018期：诺亦腾动捕的运动科学领域应用（第2弹）

01 地面反作用力实时估计系统

美国 加州大学长滩分校Elliot Recinos, John Abella, Shayan Riyaz, Emel Demircan

地面反作用力（Ground Reaction Force, GRF）是指人体与地面相互作用而产生的力，是评估体育运动受伤风险重要参数，准确测量和分析GRF可为运动员提供有效的运动健康指导。本文作者提出一个基于诺亦腾PN Pro惯性传感器与生物力学模型的GRF估计方法，作者运用该方法对单腿支撑、单腿跳跃、侧向跳跃、慢跑等运动过程的GRF进行估计，并与传统测量方法相比较，验证其可行性。同时，该方法有效避免了仪表跑步机、负荷传感器和压力传感器等传统GRF测量方法的测量区域受限、携带不便等缺点。

02 机器学习方法的裁判培训系统

Tse-Yu Pan, Chen-Yuan Chang, Wan-Lun Tsai, Min-Chun Hu

新手裁判需在多场真实比赛中锻炼反应能力、熟悉官方裁判手势（Official Referee Signals），才能成为专业裁判。然而，裁判岗位非常稀少，且大部分球队不接受新手裁判。因此新手裁判实践机会极少。本文作者采用诺亦腾PN惯性动捕系统及机器学习方法，针对篮球比赛打造出一个ORS实训系统。学员穿戴诺亦腾PN观看比赛视频并做出判罚手势，系统将诺亦腾PN实时采集的动作数据与内置判罚手势相对比，检测判罚正确率，从而为新手裁判提供更多实践机会。作者请到10名实验参与者进行测试，系统对65个ORS检测准确率达95.3%。

03 深度相机攀爬姿势的高精度实时估计

阿尔托大学 Vähämäki, Joni

在攀岩运动员训练时，实时分析其动作并给予改进反馈，可有效提高训练质量。然而，分析与反馈的前提是实现攀岩动作的精确跟踪，且深度相机（depth camera）在室内攀岩场景下精确度较低。本文作者使用机器学习方法，利用诺亦腾PN惯性动捕系统采集的攀岩运动员动作数据，选择Offset Joint Regression模型估计人体姿态，完成对深度相机算法的优化，提高室内攀岩姿势的估计准确度，使其可推断骨骼关节的位置，结果表明，所选模型适用于估计攀爬姿势。