Human Activity Recognition of Figure Skating Jumps Using Abdominal Electromyography and Accelerometry

Eiskunstlaufen ist eine Sportart, bei der blitzschnelle Entscheidungen und präzise Körperkontrolle über den Erfolg entscheiden. Eine Eiskunstläuferin muss in die Luft springen, sich mehrfach drehen und auf einer dünnen Klinge aus Eis landen, ohne zu wanken. Seit Jahrzehnten verlassen sich Trainer auf ihre eigenen Augen und Zeitlupenvideos, um diese Sprünge zu beurteilen, wobei sie nach subtilen Fehlern beim Absprung oder bei der Landung suchen. Kameras haben jedoch einen blinden Fleck: Sie können nur sehen, was außen stattfindet. Sie können nicht sehen, welche Muskeln im Inneren des Körpers feuern, um den Sprung vorzubereiten, und sie können auch nicht immer klar sehen, wenn sich der Körper einer Läuferin so schnell dreht, dass die Gliedmaßen die Sicht versperren. Um dies zu lösen, haben Wissenschaftler auf tragbare Sensoren zurückgegriffen – kleine Geräte, die auf die Haut geklebt werden, um Bewegung und Muskelaktivität aufzuzeichnen, und so einen neuen Weg eröffnen, die verborgene Mechanik sportlicher Leistungen zu verstehen.

Ein Forscherteam der Technischen Universität Ostrava und der Universität Ostrava in der Tschechischen Republik hat eine neue Methode entwickelt, um mithilfe dieser tragbaren Sensoren spezifische Eiskunstlauf-Sprünge automatisch zu identifizieren. Ihr Ziel war es, ein System zu schaffen, das zwischen sechs verschiedenen Arten von Sprüngen unterscheiden kann – von einfachen Drehungen bis hin zu komplexen Dreifachrotationen –, ohne eine Kamera oder ein Team von Preisrichtern zu benötigen. Anstatt die Läuferin zu beobachten, „hört“ ihr System auf die internen Signale des Körpers. Sie brachten kleine Sensoren an den Rücken von zwölf hochklassigen jugendlichen Läuferinnen an. Ein Sensor maß die Beschleunigung des Körpers in drei Richtungen, während zwei weitere Sensoren am Abdomen die elektrische Aktivität der Rumpfmuskulatur erfassten. Diese Kombination ermöglichte es den Forschern, sowohl die physische Bewegung des Sprungs als als auch die muskuläre Vorbereitung zu erfassen, die stattfindet, kurz bevor die Läuferin das Eis verlässt.

Die Forscher sammelten Daten aus hunderten Sprungversuchen, einschließlich ein-, zwei- und dreifacher Versionen des Axel-, Salchow- und Loop-Sprungs. Anschließend speisten sie diese Informationen in ein Computersystem ein, das darauf ausgelegt war, Muster zu erlernen. Das Team testete verschiedene Arten von maschinellen Lernmethoden, um zu sehen, welche die Sprünge am besten in die richtigen Kategorien sortieren konnte. Sie fanden heraus, dass der erfolgreichste Ansatz kein komplexes Deep-Learning-Netzwerk war, wie es oft für die Bilderkennung verwendet wird, sondern vielmehr eine einfachere, baumbasierte Methode, die Entscheidungen durch eine Serie logischer Regeln trifft. Dieses System erreichte eine bemerkenswerte Genauigkeit und identifizierte die Art des Sprungs fast 9-mal von 10 korrekt (fast 99 Prozent der Zeit). Das System arbeitete, indem es kurze, spezifische Zeitabschnitte aus den Sensordaten betrachtete, wobei sich ein Datenfenster von 0,6 Sekunden mit einer kleinen Überlappung als am besten erwies, um die einzigartige Signatur jedes Sprungs zu erfassen.

Eine zentrale Entdeckung dieser Studie war das Verständnis darüber, welche Teile der Sensordaten tatsächlich notwendig waren, damit der Computer die richtige Wahl treffen konnte. Die Forscher führten Tests durch, bei denen sie bestimmte Sensoren entfernten, um zu sehen, ob das System weiterhin funktionieren würde. Sie stellten fest, dass der Bewegungssensor allein zwar eine ordentliche Arbeit leisten konnte, das System jedoch signifikant schlechter abschnitt, wenn sie die Sensoren zur Messung der Bauchmuskulatur entfernten. Dies bestätigte, dass die Art und Weise, wie eine Läuferin ihre Rumpfmuskulatur vor dem Sprung anspannt, ein entscheidender Hinweis ist, der einen Sprung vom anderen unterscheidet. Darüber hinaus entdeckten sie, dass die seitlichen und vertikalen Bewegungen des Körpers die wichtigsten physischen Signale waren, während die Vorwärts- und Rückwärtsbewegung viel weniger Bedeutung hatte. Dies deutet darauf darauf hin, dass die spezifische Neigung, die eine Läuferin nutzt, um eine Drehung einzuleiten, und die Kraft, mit der sie beim Landen auf das Eis trifft, die primären physischen Merkmale sind, die einen Sprung definieren.

Die Studie befasste sich auch mit einem häufigen Problem der Sporttechnologie: der Notwendigkeit sperriger Ausrüstung. Viele bisherige Versuche, Eiskunstlauf-Sprünge zu verfolgen, erforderten mehrere Sensoren an Handgelenken, Knöcheln und Taille, was für eine Athletin schwer und ablenkend sein kann. Diese neue Methode bewies, dass ein einziger Sensor am Rücken, kombiniert mit zwei kleinen Sensoren am Abdomen, ausreichte, um Spitzenleistungen zu erzielen. Dieser leichtere Aufbau bedeutet, dass das System die natürliche Bewegung der Läuferin weniger wahrscheinlich stört, was es für die praktische Anwendung im Training tauglicher macht. Obwohl sich die aktuelle Studie auf erfolgreiche Sprünge konzentrierte, die von jungen Läuferinnen in einer kontrollierten Umgebung ausgeführt wurden, glauben die Forscher, dass dieser Ansatz die Grundlage für zukünftige Werkzeuge legt, die Trainern helfen könnten, die Sprungqualität in Echtzeit zu analysieren. Durch die Identifizierung des exakten Augenblicks, in dem ein Sprung ausgeführt wird, und die sofortige Klassifizierung könnte diese Technologie dazu beitragen, Athleten dabei zu unterstützen, ihre Technik zu verfeinern und Verletzungen vorzubeugen – und das alles, während sie für das bloße Auge unsichtbar bleibt.