Интеллектуальное распознавание движений и прогнозирование производительности спортсменов с помощью TSGCNSAM

Интеллектуальное распознавание движений и прогнозирование производительности спортсменов с помощью TSGCNSAM

Современный конкурентный спорт предъявляет высокие требования к динамической корректировке движений спортсменов и необходимости точного прогнозирования их производительности. Данное исследование предлагает инновационное решение, основанное на новой модели, объединяющей двухпоточную сверточную графовую сеть (TSGCN - Two-Stream Graph Convolutional Network) с модулем пространственного внимания (SAM - Spatial Attention Module). Эта модель призвана обеспечить более эффективное и точное прогнозирование спортивных достижений.

Ключевые компоненты модели TSGCNSAM

В основе предлагаемой системы лежит поэтапная обработка видеоданных с целью извлечения и анализа движений спортсменов. Процесс начинается с применения технологии OpenPose. OpenPose — это библиотека компьютерного зрения, которая позволяет в реальном времени детектировать и отслеживать ключевые точки (суставы) человеческого тела на изображениях или видеопотоке. Используя OpenPose, из видеоданных извлекается информация о суставах человека, которая затем используется для генерации последовательностей скелетных признаков.

Полученные последовательности скелетных признаков подаются на вход модели TSGCN (Two-Stream Graph Convolutional Network). TSGCN представляет собой архитектуру глубокого обучения, разработанную для анализа данных, имеющих пространственно-временную структуру, таких как последовательности поз человека. Она состоит из двух параллельных потоков:

• Пространственный поток (Spatial Stream Network): Этот поток фокусируется на извлечении статической информации из отдельных кадров видео. Он анализирует положение и взаимосвязи суставов в конкретный момент времени, формируя представление о «статической позе» спортсмена.
• Временной поток (Temporal Stream Network): Этот поток предназначен для захвата динамических изменений и траекторий движения. Он анализирует, как положение суставов меняется с течением времени, позволяя понять характер и скорость выполнения действия.

Комбинируя информацию из обоих потоков, TSGCN формирует комплексное представление о движении спортсмена, учитывая как его пространственную структуру, так и его временную динамику.

Улучшение фокусировки с помощью модуля пространственного внимания (SAM)

Для дальнейшего повышения способности модели фокусироваться на наиболее важных признаках был интегрирован SAM (Spatial Attention Module). Модуль пространственного внимания — это механизм в нейронных сетях, который позволяет модели динамически выделять наиболее релевантные части входных данных. В данном случае SAM помогает модели сосредоточиться на ключевых суставах, которые играют решающую роль в определении конкретного действия.

SAM динамически генерирует карты внимания (attention maps) с использованием методов глобального среднего пулинга (global average pooling) и максимального пулинга (max pooling). Пулинг — это операция, которая уменьшает размерность данных, сохраняя при этом наиболее важную информацию. Глобальный средний пулинг усредняет значения признаков по всему пространству, а максимальный пулинг выбирает максимальное значение. Применение этих техник позволяет SAM выделить значимые признаки ключевых суставов, одновременно подавляя шум и менее важную информацию, что повышает общую точность распознавания.

Эффективность модели на практике

Производительность предложенной модели TSGCNSAM была тщательно протестирована на общедоступном датасете Kinetics700. Kinetics700 — это крупный набор данных, содержащий видеоклипы с разнообразными действиями человека, широко используемый для оценки моделей распознавания действий.

Результаты показали, что модель TSGCNSAM достигла высокой точности классификации:

• Top1 accuracy: 33.6%
• Top5 accuracy: 56.1%

Эти показатели демонстрируют значительное превосходство TSGCNSAM по сравнению с традиционными методами анализа движений, что подчеркивает эффективность новой архитектуры.

Дальнейший анализ производительности TSGCNSAM при различных параметрах обучения, таких как скорость обучения (learning rate) и количество эпох обучения (training epochs), подтвердил стабильность и эффективность модели. Было установлено, что более низкая скорость обучения (0.001) способствует более быстрому сходимости модели и достижению более высокой точности (88.2%). Это свидетельствует о надежности модели и ее способности адаптироваться к оптимальным условиям обучения.

Применение в спортивной практике

Разработанная модель TSGCNSAM открывает новые возможности для спортивной науки и практики:

• Улучшение точности распознавания движений: Модель позволяет с высокой точностью идентифицировать различные действия спортсменов, что является фундаментальным для последующего анализа и оценки.
• Инструменты для тренеров: TSGCNSAM предоставляет тренерам возможность получать обратную связь в реальном времени на основе прогнозов производительности спортсменов. Это позволяет оперативно вносить коррективы в тренировочные планы, оптимизировать содержание тренировок и повышать эффективность подготовки.
• Оптимизация тренировочного процесса: Путем анализа данных о движениях и прогнозирования результатов, тренеры могут выявлять сильные и слабые стороны спортсменов, разрабатывать индивидуальные программы и минимизировать риск травм.

Таким образом, модель TSGCNSAM представляет собой значительный шаг вперед в области спортивной аналитики, предлагая передовые инструменты для повышения результативности спортсменов и совершенствования методов спортивной подготовки.

Дополнительная информация и контекст

Финансирование исследования

Данное исследование получило поддержку от нескольких организаций, что подчеркивает его значимость и актуальность:

• Public Welfare Project of Ningbo Science and Technology Bureau, номер гранта 2022S066.
• Innovation teaching of Ningbo polytechnic, номер гранта 523500402110.

Авторский состав

В исследовании приняли участие следующие авторы, представляющие ведущие научные и спортивные учреждения:

• Шуанфэй Лю (Shuangfei Liu): Школа общеобразовательных дисциплин, Нинбо Политехнический Университет, Нинбо, Чжэцзян, Китай. А также: Научно-исследовательский институт спортивной науки и тренеров, Национальный университет спорта Тайваня, Таоюань, Тайвань.
• Чжэнбо Чэнь (Zhengbo Chen): Научно-исследовательский институт спортивной науки и тренеров, Национальный университет спорта Тайваня, Таоюань, Тайвань.
• Бяо Чэнь (Biao Chen): Нинбоский институт спортивной науки, Нинбо, Чжэцзян, Китай.
• Цзе Ли (Jie Li): Школа Ушу, Пекинский спортивный университет, Пекин, Китай. А также: Научно-исследовательский институт спортивной науки и тренеров, Национальный университет спорта Тайваня, Таоюань, Тайвань.

Корреспондент: Цзе Ли (Jie Li).

Декларации об этике

Конфликт интересов: Авторы заявляют об отсутствии каких-либо конкурирующих интересов.

Заявление об этике: Исследования, связанные с участием человека, были рассмотрены и одобрены Комитетом по этике Нинбо Политехнического Университета (номер утверждения: 2023.02310002). Участники предоставили свое письменное информированное согласие на участие в данном исследовании. Все методы выполнялись в соответствии с соответствующими руководствами и нормами. В рамках этого исследования не собирались дополнительные видеоданные новых спортсменов. Все экспериментальные данные получены из общедоступных наборов данных Kinetics700 и NTU Sport Skeleton, а участники были набраны для беспроводной съемки видео. Исследование проводится на основе общедоступных визуальных наборов данных человека. Процесс исследования не включает инвазивное обнаружение живых тел человека и извлечение конфиденциальной информации. Все общедоступные наборы данных прошли процедуру получения информированного согласия на этапе первоначального сбора данных.

Дополнительная информация

Издательство Springer Nature остается нейтральным в отношении юрисдикционных претензий в опубликованных картах и институциональных принадлежностях.

Дополнительные материалы

Ниже приведены ссылки на электронные дополнительные материалы:

• Supplementary Material 1 (скачать DOCX)
• Supplementary Material 2 (скачать ZIP)

Права и разрешения

Открытый доступ: Эта статья лицензирована в соответствии с Международной лицензией Creative Commons Attribution-NonCommercial-NoDerivatives 4.0. Она разрешает любое некоммерческое использование, распространение и воспроизведение в любых носителях или форматах при условии указания авторства и источника, предоставления ссылки на лицензию Creative Commons и указания на изменения, если таковые были внесены. Данная лицензия не дает разрешения на распространение измененных материалов, производных от данной статьи или ее частей. Изображения или другие материалы третьих сторон, включенные в данную статью, также подпадают под действие лицензии Creative Commons, если не указано иное в подписи к материалу. Если материал не включен в лицензию Creative Commons и ваше предполагаемое использование не разрешено законодательством или выходит за рамки разрешенного, вам потребуется получить разрешение напрямую от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by-nc-nd/4.0/.

Цитирование

Liu, S., Chen, Z., Chen, B. et al. Athletes’ action recognition and performance prediction based on TSGCNSAM. Sci Rep (2026). https://doi.org/10.1038/s4159802662757z

DOI

https://doi.org/10.1038/s4159802662757z

Получено: 01 мая 2025 г.

Принято: 14 июля 2026 г.

Опубликовано: 16 июля 2026 г.