🤖 AI

BadmintonGRF: A Multimodal Dataset and Benchmark for Markerless Ground Reaction Force Estimation in Badminton

Dit artikel introduceert BadmintonGRF, een multimodaal dataset en benchmark met gesynchroniseerde video-opnames van meerdere hoeken met een hoge beeldfrequentie en instrumenteerde grondreactiekrachtdata van 10 proefpersonen, ontworpen om de schatting van belasting zonder markers in badminton te bevorderen door middel van gecureerde impactsegmenten, tijdsgesynchroniseerde metadata en uitgebreide baseline-evaluaties.

Oorspronkelijke auteurs: Kuoye Niu, Jianwei Li, Shengze Cai, Yong Ma, Mengyao Jia, Lishun Shen, Zhenheng Zhang, Yuxin Peng, Xian Song

Gepubliceerd 2026-05-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kuoye Niu, Jianwei Li, Shengze Cai, Yong Ma, Mengyao Jia, Lishun Shen, Zhenheng Zhang, Yuxin Peng, Xian Song

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een computer te leren precies te begrijpen hoe hard een badmintonspeler op de vloer slaat bij elke sprong en landing. Meestal heb je voor deze informatie nodig dat de speler op speciale, dure, laboratoriumkwaliteit weegschalen (krachtplaten) staat terwijl hij sensoren draagt. Dit is uitstekend voor een wetenschappelijk laboratorium, maar het is onmogelijk om dit te doen tijdens een echt, snel gespeeld wedstrijd of een reguliere trainingssessie.

Dit artikel introduceert BadmintonGRF, een nieuwe "trainingshandleiding" voor computers die dit probleem oplost. Het is een enorme verzameling data die AI leert die vloerkrachten te raden door simpelweg naar een video te kijken, zonder dat er sensoren op het lichaam van de speler nodig zijn.

Hier is een uiteenzetting van wat ze hebben gedaan, met behulp van alledaagse analogieën:

1. De "Tijdsreizen"-puzzel (Synchronisatie)

In een echt laboratorium draaien de videocamera's en de vloerweegschalen meestal op exact dezelfde klok. Maar in dit project gebruikten de onderzoekers acht reguliere, high-speed consumentencamera's (zoals die op je telefoon of een GoPro) naast de laboratoriumweegschalen.

Het Probleem: Deze camera's delen geen klok. De ene kan een fractie van een seconde sneller zijn dan de andere. Het is alsof je probeert een orkest te dirigeren waarbij de drummer en de violist naar verschillende metronomen luisteren.
De Oplossing: Het team bouwde een systeem om de video en de krachtdata handmatig en automatisch op elkaar af te stemmen. Ze behandelden het als een puzzel, waarbij ze specifieke momenten vonden (zoals een voet die de grond raakt) om de twee stromen perfect te synchroniseren. Ze voegden zelfs een "vertrouwensscore" toe om gebruikers te vertellen hoe zeker ze zijn van de timing.

2. De "Twee-laags" bibliotheek (De dataset)

Om de privacy van de atleten te beschermen terwijl ze toch wetenschappers helpen, is de data opgesplitst in twee "niveaus", zoals een bibliotheek met een openbare leeszaal en een beperkt archief:

Niveau 1 (De openbare leeszaal): Dit is wat iedereen gratis kan downloaden. Het bevat het "skelet" van de spelers (waar hun gewrichten zich in de video bevinden) en de grondkrachtcijfers. Het is alsof je iemand een stokfiguuranimatie en de data geeft, maar niet de daadwerkelijke videobeelden. Dit is voldoende om AI-modellen te trainen om krachten te voorspellen.
Niveau 2 (Het beperkte archief): Dit bevat de ruwe, high-definition video en de volledige 3D-bewegingsopname-data. Je kunt dit alleen krijgen als je toestemming aanvraagt. Dit is voor onderzoekers die de daadwerkelijke verschijning of kleding van de spelers moeten bestuderen, niet alleen hun beweging.

3. De "Stress-test" (De benchmark)

De onderzoekers hebben de data niet zomaar gedumpt; ze hebben een strenge test gecreëerd om te zien hoe goed verschillende AI-modellen presteren.

De Uitdaging: Ze gebruikten een "Leave-One-Subject-Out"-methode. Stel je voor dat je een student badminton leert met negen verschillende spelers, en je test hen vervolgens op de tiende speler die ze nog nooit hebben gezien. Dit test of de AI de fysica van badminton echt heeft geleerd, of dat het gewoon de specifieke bewegingen van één persoon heeft gememoriseerd.
De Resultaten: Ze testten 10 verschillende AI-"hersenen" (modellen). De besten konden de verticale kracht voorspellen met ongeveer 40% nauwkeurigheid (gemeten door een statistische score genaamd $r^2$ ). Hoewel dit niet perfect is, is het een stevige start voor een sport die zo chaotisch en snel is als badminton.

4. Waarom badminton?

De meeste eerdere studies keken naar lopen of springen in een rechte lijn (zoals op een loopband). Badminton is anders; het is een "stop-en-go"-sport met plotselinge stops, scherpe bochten en zware landingen.

De Analogie: Als eerdere datasets waren als een recept voor het bakken van een simpel brood, dan is BadmintonGRF als een recept voor een complexe, meerlagige taart die precisie in timing en temperatuurverandering vereist. Het vangt de rommelige, real-world stress op de benen van een speler.

Wat dit eigenlijk betekent (Strikt gebaseerd op het artikel)

Het is een hulpmiddel, geen toverstaf: Het artikel benadrukt dat dit een hulpmiddel is voor onderzoekers. Het biedt de data, de code om het te laden, en de regels voor testen.
Het lost een specifiek gat op: Voorheen was er geen publieke dataset die high-speed video, laboratoriumkwaliteit krachtmetingen en badminton-specifieke bewegingen combineerde op een manier die onderzoekers hun resultaten gemakkelijk konden vergelijken.
Het gaat om "markerloze" schatting: Het doel is om uiteindelijk coaches of spelers toe te staan om met slechts een videocamera te schatten hoeveel stress hun benen oplopen, zonder dat ze een laboratoriumopstelling van $50.000 nodig hebben.

Kortom, BadmintonGRF is een zorgvuldig georganiseerde, hoogwaardige "trainingsplaats" die computers in staat stelt de relatie te leren tussen de videobewegingen van een badmintonspeler en de onzichtbare krachten die op de vloer slaan, terwijl de identiteit van de atleten veilig blijft.

Technische Samenvatting: BadmintonGRF

Probleemstelling

Een nauwkeurige schatting van grondreactiekrachten (GRF) is cruciaal voor het monitoren van werklast, het analyseren van vermoeidheid en het beoordelen van risico's op blessures aan de onderste extremiteiten in sport. Hoewel markerloze schatting (het afleiden van GRF uit video of houding) vooruitgang boekt, mist deze momenteel robuuste validatie in niet-periodieke, intensieve courtsporten zoals badminton. Bestaande bronnen richten zich voornamelijk op periodieke gang of vooraf opgestelde sprongen, en slagen er niet in de onregelmatige, hoog-impact voetwerk te vangen die kenmerkend is voor competitieve spelen. Bovendien is er een schaarste aan publieke datasets die instrumenteerde, laboratoriumkwaliteit GRF koppelen aan video met hoge beeldfrequentie en meerdere gezichtsvelden, met name waar video en krachtsensoren niet hardware-gesynchroniseerd (genlocked) zijn. Deze kloof beperkt de ontwikkeling van markerloze modellen voor lastschatting in realistische trainingsomgevingen.

Methodologie en Datasetconstructie

De BadmintonGRF-dataset adresseert deze gaten via een studie-kwaliteit multimodale opnamepiplijn die 17 competitieve badmintonatleten (nationaal tweede niveau of hoger) omvat.

Dataverwerving

Sensoren: De opstelling omvat acht vaste RGB-camera's (DJI Osmo Action 4, ~120 FPS), vier Kistler zes-assige krachtplateaus en een Vicon bewegingsopnamesysteem met acht camera's (geëxporteerd naar C3D).
Synchronisatie-uitdaging: In tegenstelling tot traditionele labopstellingen draaien de consumenten-RGB-camera's op onafhankelijke oscillatoren zonder hardware-genlock naar de laboratoriumtijdbasis.
Oplossing voor Uitlijning: De auteurs hebben een softwaregebaseerde uitlijnpiplijn ontwikkeld. Dit omvat:
1. Menselijk Verifieerde Gebeurtenissen: Annotatoren koppelen opvallende GRF-pieken aan video-gebeurtenissen om tijdsverschillen per camera te schatten.
2. Geautomatiseerde Kwaliteitscontrole: Een piplijn screent op consistentie van de verschuivingen en markeert afwijkingen (5,2% van de proeven vereiste handmatige verzoening).
3. Onzekerheidsmetadata: De vrijgegeven metadata bevat verschuivingen en afgeleide onzekerheidswaarden.
Protocol: Atleten voerden gestructureerde drills en rally's die op wedstrijden leken uit onder zowel frisse als opgewekte vermoeidheidstoestanden. Het protocol wisselt rallyspelen af met specifieke voetwerkmodules (boven-net, smash-georiënteerd, zes-punts reacties).

Dataverwerking en Segmentatie

Ground Truth: Referentie-GRF wordt geaggregeerd uit de vier plateaus, waarbij de verticale kracht ( $F_z$ ) dient als primaire supervisie-richtsnoer vanwege zijn dominantie in blessure-surrogaten.
Segmentatie: De piplijn detecteert landingspieken in het uitgelijnde $F_z$ -signaal en knipt symmetrische vensters van $\pm0,5$ seconden (ongeveer 120 frames) uit.
Kwaliteitspoorten: Een referentielader filtert instanties op basis van:
- Gemiddelde score voor houding van de onderlichaam $\ge 0,70$ .
- Tracking-verliespercentage $\le 0,05$ .
- Pieken $F_z$ binnen drie keer het lichaamsgewicht.
- Maskeren van lage scores en sanering via eindige differenties.

Benchmarkontwerp

De dataset wordt in twee niveaus vrijgegeven om bruikbaarheid en privacy in evenwicht te brengen:

Niveau 1 (Publiek): Bevat tijd-uitgelijnde houdingsdata, verwerkte GRF, metadata en vooraf gedefinieerde splitsingen onder CC BY-NC 4.0. Dit niveau ondersteunt de primaire benchmark zonder dat ruwe video of C3D-bestanden nodig zijn.
Niveau 2 (Gereguleerde Toegang): Biedt ruwe RGB- en C3D-data voor studies die analyse van uiterlijk of volledige kinematica vereisen.

De benchmark hanteert een Leave-One-Subject-Out (LOSO)-protocol om generalisatie over proefpersonen te evalueren, een cruciale maatstaf voor toepasbaarheid in de echte wereld.

Belangrijkste Bijdragen

Studie-kwaliteit Multimodale Opname: De eerste publieke release, naar weten van de auteurs, die acht gezichtsvelden ~120 FPS RGB, vier Kistler krachtplateaus en Vicon C3D combineert voor niet-periodieke badminton-impacten, compleet met vermoeidheidsbewuste protocollabels.
Software-uitlijning zonder Genlock: Een robuuste "mens-in-de-lus"-piplijn die ongeveer uitlijning op frame-niveau bereikt tussen consumenten-RGB en laboratoriumsensoren, compleet met geautomatiseerde kwaliteitscontrole en onzekerheidsmetadata.
Gepakte Benchmark: Een gecureerde release van 17.425 impactsegmenten (12.867 na kwaliteitspoorten; 1.732 unieke impacten) met deterministische splitsingen en laders.
Transparante Evaluatie: Een vast LOSO-protocol, vier complementaire metrieken ( $r^2$ , RMSE, piekgroottefout, piektijdfout) en tien gedocumenteerde referentiebaselines om implementatievariatie te minimaliseren.

Resultaten en Benchmarkprestaties

Het artikel evalueert tien referentie-architecturen (waaronder Temporal Convolutional Networks, Transformers en Graph Neural Networks) op de Niveau 1-benchmark.

Prestatieplafond: De best presterende modellen (PatchTST en ST-GCN+Transformer) bereiken een $r^2$ van ongeveer 0,40 in de LOSO single-view setting.
Dominante Factoren: Analyse geeft aan dat biomechanische variabiliteit tussen proefpersonen de primaire bron van fouten is, en de residuale synchronisatieruis overtreft. Synthetische timing-stress tests toonden aan dat een verschuiving van 1 frame de $r^2$ met ~0,05 verlaagt, terwijl achtergehouden proefpersonen schommelingen >0,15 veroorzaken.
Metrische Trade-offs:
- PatchTST leidt in curvefitting ( $r^2$ ) en RMSE.
- ST-GCN+Transformer leidt in piekgrootte en tijdsnauwkeurigheid, waarschijnlijk vanwege zijn expliciete grafstructuur die korte landingstransienten verwerkt.
- Late Fusion: Het combineren van voorspellingen uit meerdere gezichtsvelden kan de $r^2$ verbeteren (bijv. TSMixer tot 0,472), maar degradeert vaak piekmetrieken als voorspellingen per gezichtsveld conflicteren.
Prestaties binnen Proef: Wanneer proefpersonen tijdens het trainen worden gezien (Within-trial setting), verbetert de $r^2$ tot ~0,60, wat bevestigt dat het huidige LOSO-plafond wordt gedreven door uitdagingen in proefpersoonsoverdracht in plaats van uitlijnproblemen.

Betekenis en Claims

De auteurs positioneren BadmintonGRF als een noodzakelijke bron om de kloof te overbruggen tussen gecontroleerde laboratoriumbiomechanica en onbeperkte sporttraining.

Reproduceerbaarheid: Het artikel benadrukt dat de waarde van de bron ligt in zijn "geauditeerde" aard—het bieden van expliciete uitlijnprotocollen, kwaliteitsborgingsscripts en deterministische laders die onderzoekers in staat stellen resultaten te reproduceren zonder verborgen voorverwerkingskeuzes.
Multimedia Relevantie: Buiten de sportwetenschap dient de dataset als stress test voor multimedia-onderzoek betreffende heterogene klokken, gemaskeerde houding-naar-dynamica-modellering en domeinverschuivingen tussen lab en trainingslocaties.
Bescheiden Claims: De auteurs stellen expliciet dat de referentiemodellen dienen als "reproduceerbaarheidsankers" in plaats van claims van state-of-the-art prestaties. Zij erkennen dat het huidige prestatieplafond wordt beperkt door variabiliteit tussen proefpersonen en dat toekomstige winsten waarschijnlijk subject-bewuste of metadata-geconditioneerde doelstellingen vereisen in plaats van verdere uitlijntweaks.
Toegankelijkheid: Door een Niveau 1-dataset te bieden met privacybehoudende houdingsdata, beogen de auteurs de instapdrempel te verlagen voor onderzoekers die geïnteresseerd zijn in schatting van kracht uit houding, zonder toegang te nodig hebben tot beperkte ruwe video of dure laboratoriumopstellingen.