摘要
平衡在体育领域是评价运动表现必不可少的维度，在滑雪训练中许多优秀的顶尖运动员也非常注意平衡能力的训练。传统的平衡检测及训练方法对专业人员的经验需求较高，测量结果的信效度不易控制。本研究针对智能化检测及量化平衡表现的市场需求，选择基于惯性测量单元的动作捕捉系统作为实验设备，设计数据采集方案和实验方案，采集不同平衡能力的受试者运动学数据集，并对获取到的运动信号预处理后进行时域和频域分析，通过统计分析最佳的平衡参数来评估平衡能力。实验数据结果表明：K最邻近（KNN）算法对不同等级的平衡能力分类准确率为62%，支持向量机（SVM）的对量化分级的分类准确率为66%，最终集成学习（RUSBoost）对三分类平衡量化评估的分类准确率达70%以上。 以下为本研究的主要研究内容： （1）针对设备的有效性进行检验，利用OptiTrack与惯性测量单元的PNS设备进行下肢关节角度的有效性检验，包括设计实验任务、搭建实验场地和采集实验数据。利用所提取的指标参数对三维角度进行计算验证惯性测量单元动作捕捉设备的有效性。 （2）调研传统型平衡量化方法和智能化平衡量化方法建立评估动作，结合滑雪领域的平衡训练动作及辅助工具，形成具有滑雪特征的典型性动作池。针对动作与专家进行调研商讨，最终通过筛选优化后确定测试动作。并参照BOSU球的测试动作，设计测试动作的标准尺度及数据采集方案。设计原始数据的预处理算法，从而消除由于漂移、重力加速度产生的误差，形成标准化数据集。 （3）利用统计分析筛选出可以用于分类评估的特征参数，建立评价指标体系。针对数据的不平衡性，探索不平衡数据处理方法，最终选择以支持向量机SVM为基分类器的迭代集成算法，为人体机能检测提供工具。 综上，本研究可以对滑雪者平衡能力进行实时、快速的判定和评价，且利用分级模型验证量表客观性。为了避免数据的不平衡性，分类过程中的计算量远小于深度学习方法，可以部署在算力不是很高的移动端，提供一种独特的分级模型，与量表法构成互补性。
NETL