論文の概要: AI for Equitable Tennis Training: Leveraging AI for Equitable and Accurate Classification of Tennis Skill Levels and Training Phases
- arxiv url: http://arxiv.org/abs/2406.16987v1
- Date: Mon, 24 Jun 2024 03:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 19:00:25.374907
- Title: AI for Equitable Tennis Training: Leveraging AI for Equitable and Accurate Classification of Tennis Skill Levels and Training Phases
- Title（参考訳）: 平等テニストレーニングのためのAI: テニススキルレベルとトレーニングフェーズの公平かつ正確な分類のためのAIを活用する
- Authors: Gyanna Gao, Hao-Yu Liao, Zhenhong Hu,
- Abstract要約: 本研究の目的は、テニス選手のスキルレベルを分類し、テニスストロークをモーション特性を特徴とするフェーズに分類することである。
若手テニス選手が着用する慣性測定ユニット(IMU)からMotion Yaw, Roll, Pitchなどの動作データを収集した。
SVMモデルは、初心者または中間者としてプレイヤーを分類する際の全体的な精度が77%であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous studies have demonstrated the manifold benefits of tennis, such as increasing overall physical and mental health. Unfortunately, many children and youth from low-income families are unable to engage in this sport mainly due to financial constraints such as private lesson expenses as well as logistical concerns to and back from such lessons and clinics. While several tennis self-training systems exist, they are often tailored for professionals and are prohibitively expensive. The present study aims to classify tennis players' skill levels and classify tennis strokes into phases characterized by motion attributes for a future development of an AI-based tennis self-training model for affordable and convenient applications running on devices used in daily life such as an iPhone or an Apple Watch for tennis skill improvement. We collected motion data, including Motion Yaw, Roll and Pitch from inertial measurement units (IMUs) worn by participating junior tennis players. For this pilot study, data from twelve participants were processed using Support Vector Machine (SVM) algorithms. The SVM models demonstrated an overall accuracy of 77% in classifying players as beginners or intermediates, with low rates of false positives and false negatives, effectively distinguishing skill levels. Additionally, the tennis swings were successfully classified into five phases based on the collected motion data. These findings indicate that SVM-based classification can be a reliable foundation for developing an equitable and accessible AI-driven tennis training system.
- Abstract（参考訳）: 多くの研究がテニスの多様体的利点を示しており、例えば全体的な身体的・精神的な健康が向上している。
残念なことに、低所得家庭の子供や若者の多くは、私的な授業費や、こうした授業や診療所へのロジスティックな懸念など、金銭的制約のために、このスポーツに携わることができない。
テニスの自己訓練システムはいくつか存在するが、プロ向けに調整され、違法に高価であることが多い。
本研究は, テニス選手のスキルレベルを分類し, テニスストロークを動作特性を特徴とするフェーズに分類することを目的としている。
若手テニス選手が着用する慣性測定ユニット(IMU)からMotion Yaw, Roll, Pitchなどの動作データを収集した。
本研究では,SVM(Support Vector Machine)アルゴリズムを用いて,12人の被験者のデータを処理した。
SVMモデルは、初心者または中間者としてプレイヤーを分類する際の全体的な精度を77%とし、偽陽性率と偽陰性率を低くし、スキルレベルを効果的に区別した。
さらに, テニススイングは, 収集した動作データに基づいて5段階に分類した。
これらの結果から,SVMに基づく分類が,公平でアクセスしやすいAI駆動テニストレーニングシステムの開発の基盤となる可能性が示唆された。
関連論文リスト
- Pose2Trajectory: Using Transformers on Body Pose to Predict Tennis Player's Trajectory [6.349503549199403]
テニス選手の身体関節データとボール位置から導かれるシーケンスとして,選手の将来の軌跡を予測するPose2Trajectoryを提案する。
我々は,ボール位置を持つ選手の関節および軌道情報に基づいて訓練されたエンコーダ・デコーダ変換器アーキテクチャを用いる。
複数のビデオから高品質なデータセットを生成し、物体検出と人間のポーズ推定手法を用いてテニス選手の動き予測を支援する。
論文 参考訳（メタデータ） (2024-11-07T07:50:58Z) - Match Point AI: A Novel AI Framework for Evaluating Data-Driven Tennis Strategies [46.1232919707345]
テニスマッチシミュレーション環境のtextitMatch Point AI について述べる。
最初の実験では、シミュレートされたテニスの試合で生成されたショット・バイ・ショットのデータは、実世界のデータと比較して現実的な特徴を示している。
同時に、現実のテニスの試合で見られるものと類似した、合理的なショット配置戦略が出現する。
論文 参考訳（メタデータ） (2024-08-12T07:22:46Z) - Arena Learning: Build Data Flywheel for LLMs Post-training via Simulated Chatbot Arena [126.70522244144088]
AI駆動のアノテーションを使ってアリーナの戦いをシミュレートするために設計された、革新的なオフライン戦略であるArena Learningを紹介します。
Arena Learningは、オフラインシミュレーションとオンラインコンペティションの正確な評価と一貫性を保証する。
ターゲットモデルであるWizardLM-$beta$をトレーニングするためにArena Learningを適用し、大幅なパフォーマンス向上を示します。
論文 参考訳（メタデータ） (2024-07-15T11:26:07Z) - Classification of Tennis Actions Using Deep Learning [0.0]
本研究では,深層学習によるテニス行動の分類の可能性と課題について検討する。
テニスデータセットTheTISを用いて,異なる大きさの3つのモデルを訓練し,評価した。
最高のモデルは74 %の一般化精度を達成し、テニスアクション分類に優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-04T15:48:20Z) - Design of Recognition and Evaluation System for Table Tennis Players'
Motor Skills Based on Artificial Intelligence [3.4701250324316146]
本稿では,卓球競技のウェアラブル装置を改良し,人工知能による卓球選手の運動能力のパターン認識と評価を実現する。
スライドウインドウは、収集した動きデータを6つのテーブルテニスベンチマーク運動の特徴データベースに分割する。
異なる評価指標の損失関数を用いて、モータスキルの階層的評価システムを確立する。
論文 参考訳（メタデータ） (2023-09-04T14:58:56Z) - Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。
我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。
結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文 参考訳（メタデータ） (2023-03-28T17:42:13Z) - P2ANet: A Dataset and Benchmark for Dense Action Detection from Table Tennis Match Broadcasting Videos [64.57435509822416]
この作品は、ワールド・テーブルテニス選手権とオリンピアードのプロの卓球試合の放送ビデオから収集された2,721本のビデオクリップで構成されている。
強調局所化と強調認識という2つのアクション検出問題を定式化する。
その結果、TheNameは依然として困難なタスクであり、ビデオからの高密度なアクション検出のための特別なベンチマークとして使用できることを確認した。
論文 参考訳（メタデータ） (2022-07-26T08:34:17Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳（メタデータ） (2021-09-25T17:27:48Z) - Table Tennis Stroke Recognition Using Two-Dimensional Human Pose
Estimation [0.0]
本稿では,卓球映像データを集め,ストローク検出と分類を行う新しい手法を提案する。
14人のプロ卓球選手から得られた11の基本的なストロークのビデオデータを含む多様なデータセットが収集されている。
2次元ポーズ推定を用いて開発された時間畳み込みニューラルネットワークモデルは、これら11の卓球ストロークのマルチクラス分類を行う。
論文 参考訳（メタデータ） (2021-04-20T11:32:43Z) - Learning from Learners: Adapting Reinforcement Learning Agents to be
Competitive in a Card Game [71.24825724518847]
本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。
本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
論文 参考訳（メタデータ） (2020-04-08T14:11:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。