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

花样滑冰是一项在瞬息万变的决策与精准身体控制中决定成败的运动。滑冰者必须跃向空中，旋转多次，并稳稳地落在单薄的冰刃上而不失衡。几十年来，教练们一直依赖于自己的肉眼和慢动作视频来判断这些跳跃，寻找起跳或落地时细微的错误。然而，摄像机存在盲点：它们只能看到外部。它们无法看到身体内部为了准备跳跃而触发的肌肉活动，也无法在滑冰者身体旋转过快导致肢体遮挡视线时清晰地观察。为了解决这个问题，科学家们转向了可穿戴传感器——这些贴在皮肤上的小型设备可以记录运动和肌肉活动，为理解运动员隐藏的运动机制提供了一种新途径。

捷克共和国奥斯特拉瓦技术大学和奥斯特拉瓦大学的研究团队开发出一种新方法，利用这些可穿戴传感器自动识别特定的花样滑冰跳跃。他们的目标是创建一个系统，能够区分六种不同类型的跳跃（从单圈旋转到复杂的三周旋转），而无需依赖摄像机或裁判团队。该系统不是通过观察滑冰者，而是通过“倾听”身体的内部信号来进行工作。他们将小型传感器贴在十二名精英青少年女性滑冰者的背部。一个传感器测量身体在三个方向上的加速度，另外两个放置在腹部的传感器则测量核心肌肉的电活动。这种组合使研究人员既能捕捉到跳跃的物理运动，也能捕捉到滑冰者离冰前瞬间发生的肌肉准备过程。

研究人员收集了数百次跳跃尝试的数据，包括阿克塞尔跳（Axel）、萨洛跳（Salchow）和后外刃跳（Loop）的单圈、双圈和三圈版本。随后，他们将这些信息输入到一个旨在学习模式的计算机系统中。团队测试了几种不同的计算机学习方法，以观察哪种方法最能将跳跃正确分类。他们发现，最成功的方法并非通常用于图像识别的复杂深度学习网络，而是一种更简单的、基于树结构的决策方法，该方法通过遵循一系列逻辑规则进行决策。该系统达到了惊人的准确度，正确识别跳跃类型的概率接近99%。该系统通过观察传感器数据中短暂且特定的时间片段进行工作，研究发现，覆盖0.6秒且带有微小重叠的数据窗口最能捕捉到每种跳跃的独特特征。

这项研究的一个关键发现是理解哪些传感器数据对于计算机做出正确选择实际上是必要的。研究人员进行了测试，通过移除某些传感器来观察系统是否仍能正常工作。他们发现，虽然仅靠运动传感器就能做得还不错，但如果移除测量腹部肌肉的传感器，系统的表现会显著下降。这证实了滑冰者在跳跃前收紧核心肌肉的方式是区分不同跳跃的关键线索。此外，他们还发现身体的左右移动和上下移动是最重要的物理信号，而前后移动的重要性则小得多。这表明，滑冰者用于启动转弯的特定倾斜角度以及落地时撞击冰面的力量，是定义跳跃的主要物理标记。

该研究还解决了运动科技中的一个常见问题：对笨重设备的依赖。以往许多追踪滑冰跳跃的尝试都需要在手腕、脚踝和腰部放置多个传感器，这会对运动员造成负担且分散注意力。这种新方法证明，仅需一个背部传感器结合两个腹部小型传感器，就足以达到顶尖水平的结果。这种更轻便的配置意味着该系统不太可能干扰滑冰者的自然动作，使其在实际训练中更具实用性。虽然目前的研究重点是在受控环境下进行的年轻女性滑冰者的成功跳跃，但研究人员认为，这种方法为未来开发能够实时分析跳跃质量的工具奠定了基础。通过即时识别并分类跳跃执行的精确时刻，此类技术最终可以帮助运动员精进技术并预防受伤，同时在肉眼看来几乎是隐形的。