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

Kunstrijden is een sport waarbij beslissingen in een fractie van een seconde en nauwkeurige lichaamsbeheersing het succes bepalen. Een schaatser moet de lucht in springen, meerdere keren draaien en op een dun ijzeren ijzerschaats landen zonder te wankelen. Decennialang hebben coaches vertrouwd op hun eigen ogen en vertraagde videobeelden om deze sprongen te beoordelen, waarbij ze zochten naar subtiele fouten in de afzet of de landing. Camera's hebben echter een blinde vlek: ze kunnen alleen zien wat aan de buitenkant gebeurt. Ze kunnen niet zien welke spieren er in het lichaam vuren om de sprong voor te bereiden, noch kunnen ze altijd duidelijk zien wanneer een lichaam van een schaatser zo snel draait dat de ledematen het zicht blokkeren. Om dit op te lossen, hebben wetenschappers zich gericht op draagbare sensoren, kleine apparaten die op de huid worden geplakt om beweging en spieractiviteit te registreren, wat een nieuwe manier biedt om de verborgen mechanica van atletische prestaties te begrijpen.

Een team onderzoekers aan de Technische Universiteit van Ostrava en de Universiteit van Ostrava in Tsjechië heeft een nieuwe methode ontwikkeld om specifieke kunstrijsprongen automatisch te identificeren met behulp van deze draagbare sensoren. Hun doel was om een systeem te creëren dat het verschil kon zien tussen zes verschillende soorten sprongen, variërend van enkelvoudige rotaties tot complexe drievoudige rotaties, zonder een camera of een team van juryleden nodig te hebben. In plaats van de schaatser te bekijken, luistert hun systeem naar de interne signalen van het lichaam. Ze bevestigden kleine sensoren op de ruggen van twaalf elite vrouwelijke adolescenten schaters. Eén sensor mat de versnelling van het lichaam in drie richtingen, terwijl twee andere sensoren op de buik de elektrische activiteit van de kernspieren maten. Deze combinatie stelde de onderzoekers in staat om zowel de fysieke beweging van de sprong als de spiervoorbereiding die plaatsvindt vlak voordat de schaatser het ijs verlaat, vast te leggen.

De onderzoekers verzamelden gegevens van honderden sprongpogingen, inclusocief enkelvoudige, dubbele en drievoudige versies van de Axel-, Salchow- en Loop-sprongen. Vervolgens voerden ze deze informatie in een computersysteem dat patronen kan leren. Het team testte verschillende soorten computertrainingsmethoden om te zien welke het beste de sprongen in de juiste categorieën kon sorteren. Ze ontdekten dat de meest succesvolle aanpak niet een complex, deep-learning netwerk was dat vaak wordt gebruikt voor beeldherkenning, maar eerder een eenvoudigere, boomgebaseerde methode die beslissingen neemt door een reeks logische regels te volgen. Dit systeem bereikte een opmerkelijk nauwkeurigheidsniveau en identificeerde het type sprong bijna 99 procent van de tijd correct. Het systeem werkte door naar korte, specifieke tijdssegmenten van de sensordata te kijken, waarbij zij ontdekten dat een venster van data van 0,6 second met een kleine overlap het beste werkte om de unieke handtekening van elke sprong vast te leggen.

Een belangrijke ontdekking in dit onderzoek was het begrijpen van welke delen van de sensordata daadwerkelijk noodzakelijk waren voor de computer om de juiste keuze te maken. De onderzoekers voerden tests uit waarbij ze bepaalde sensoren verwijderden om te zien of het systeem nog steeds zou werken. Ze ontdekten dat hoewel de bewegingssensor alleen een redelijk werk kon doen, het systeem aanzienlijk slechter presteerde als ze de sensoren die de buikspieren maten verwijderden. Dit bevestigde dat de manier waarop een schaatser de kernspieren aanspant voordat hij springt, een cruciale aanwijzing is die de ene sprong van de andere onderscheidt. Bovendien ontdekten ze dat de zijwaartse en op-en-neer bewegingen van het lichaam de belangrijkste fysieke signalen waren, terwijl de voorwaartse-en-achterwaartse beweging veel minder belangrijk was. Dit suggt dat de specifieke leun die een schaatser gebruikt om een draai te starten en de kracht waarmee hij het ijs raakt bij de landing, de primaire fysieke kenmerken zijn die een sprong definiëren.

De studie adresseerde ook een veelvoorkomend probleem in de sporttechnologie: de noodzaak voor volumineuze apparatuur. Veel eerdere pogingen om kunstrijsprongen te volgen vereisten meerdere sensoren geplaatst op de polsen, enkels en de taille, wat zwaar en afleidend kan zijn voor een atleet. Deze nieuwe methode bewees dat een enkele sensor op de rug, gecombineerd met twee kleine sensoren op de buik, voldoende was om topresultaten te behalen. Deze lichtere opstelling betekent dat het systeem de natuurlijke beweging van de schaatser minder waarschijnlijk zal verstoren, wat het praktischer maakt voor de echte wereld training. Hoewel de huidige studie zich concentreerde op succesvolle sprongen uitgevoerd door jonge vrouwelijke schaatsers in een gecontroleerde omgeving, geloven de onderzoekers dat deze aanpak de basis legt voor toekomstige hulpmiddelen die coaches kunnen helpen de kwaliteit van sprongen in realtime te analyseren. Door het exacte moment waarop een sprong wordt uitgevoerd en te classificeren direct te identificeren, zou dergelijke technologie atleten uiteindelijk kunnen helpen hun techniek te verfijnen en blessures te voorkomen, terwijl het met het blote oog onzichtbaar blijft.