論文の概要: Artificial intelligence for objective assessment of acrobatic movements: How to apply machine learning for identifying tumbling elements in cheer sports

• arxiv url: http://arxiv.org/abs/2503.04764v1
• Date: Tue, 11 Feb 2025 15:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 10:18:19.502780
• Title: Artificial intelligence for objective assessment of acrobatic movements: How to apply machine learning for identifying tumbling elements in cheer sports
• Title（参考訳）: アクロバティック運動の客観的評価のための人工知能:チアスポーツにおける転倒要素の同定に機械学習を適用する方法
• Authors: Sophia Wesely, Ella Hofer, Robin Curth, Shyam Paryani, Nicole Mills, Olaf Ueberschär, Julia Westermayr,
• Abstract要約: チアリーディングにおけるタンブリング要素の評価は、客観的尺度と主観的判断の両方に依存します。 転倒の複雑さ - チーム同期性、接地相互作用、振付、芸術的表現など - は、客観的な評価を困難にしている。 本研究では,1つの慣性測定ユニットからのデータを用いたAIベースのアプローチの実現可能性について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Over the past four decades, cheerleading has evolved from a sideline activity at major sporting events into a professional, competitive sport with growing global popularity. Evaluating tumbling elements in cheerleading relies on both objective measures and subjective judgments, such as difficulty and execution quality. However, the complexity of tumbling - encompassing team synchronicity, ground interactions, choreography, and artistic expression - makes objective assessment challenging. Artificial intelligence (AI) has revolutionized various scientific fields and industries through precise data-driven analyses, yet their application in acrobatic sports remains limited despite significant potential for enhancing performance evaluation and coaching. This study investigates the feasibility of using an AI-based approach with data from a single inertial measurement unit to accurately identify and objectively assess tumbling elements in standard cheerleading routines. A sample of 16 participants (13 females, 3 males) from a Division I collegiate cheerleading team wore a single inertial measurement unit at the dorsal pelvis. Over a 4-week seasonal preparation period, 1102 tumbling elements were recorded during regular practice sessions. Using triaxial accelerations and rotational speeds, various ML algorithms were employed to classify and evaluate the execution of tumbling manoeuvres. Results indicate that certain machine learning models can effectively identify different tumbling elements despite inter-individual variability and data noise, achieving high accuracy. These findings demonstrate the significant potential for integrating AI-driven assessments into cheerleading and other acrobatic sports, providing objective metrics that complement traditional judging methods.
• Abstract（参考訳）: 過去40年間、チアリーディングは主要なスポーツイベントの傍観活動から、世界的な人気が高まるプロの競争スポーツへと発展してきた。 チアリーディングにおける転倒要素の評価は、難易度や実行品質といった客観的な尺度と主観的な判断の両方に依存する。 しかし、チーム同期性、接地相互作用、振付、芸術的表現など、転倒の複雑さは客観的な評価を困難にしている。 人工知能(AI)は、正確なデータ駆動分析を通じて様々な科学分野や産業に革命をもたらしたが、アクロバティックスポーツへの応用は、パフォーマンス評価とコーチングを強化する大きな可能性を秘めている。 本研究では,単一の慣性測定ユニットからのデータを用いたAIベースの手法を用いて,標準的なチアリーディングルーチンにおけるタンブリング要素を正確に同定し,客観的に評価できる可能性を検討した。 被験者16名(女性13名,男性3名)は背骨盤に1つの慣性測定装置を装着した。 定期練習期間中に4週間の季節調整期間で1102個のタンブリング要素が記録された。 三軸加速度と回転速度を用いて、様々なMLアルゴリズムを用いて、転動操作の実行を分類し評価した。 その結果、個人間変動やデータノイズに拘わらず、特定の機械学習モデルでは、異なるタンブリング要素を効果的に識別でき、精度が高いことが示唆された。 これらの結果は、AIによるアセスメントをチアリーディングや他のアクロバティックスポーツに統合し、従来の判定手法を補完する客観的な指標を提供する大きな可能性を示している。

関連論文リスト

• FACTS: Fine-Grained Action Classification for Tactical Sports [4.810476621219244]
  フェンシングやボクシングのような速いペースで密着したスポーツにおけるきめ細かいアクションの分類は、固有の課題である。 我々は、生のビデオデータを直接処理する、きめ細かいアクション認識のための新しいアプローチであるFACTSを紹介する。 本研究は, トレーニング, パフォーマンス分析, スペクタエンゲージメントを向上し, 戦術スポーツにおける行動分類のための新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-12-21T03:00:25Z)
• YourSkatingCoach: A Figure Skating Video Benchmark for Fine-Grained Element Analysis [10.444961818248624]
  データセットには、ジャンプ要素の454のビデオ、検出された各ビデオ中のスケータースケルトン、ジャンプの開始フレームと終了フレームのゴールドラベル、フィギュアスケートの動画ベンチマークが含まれている。 そこで本研究では,ジャンプの時間長を正確に検出することを目的とした,新しい動作解析タスクである空気時間検出を提案する。 細粒度ラベルの一般化性を検証するため、粗粒度タスクアクション分類ではなく、クロススポーツタスクとして他のスポーツにも同様のプロセスを適用する。
  論文  参考訳（メタデータ） (2024-10-27T12:52:28Z)
• Intelligent Repetition Counting for Unseen Exercises: A Few-Shot Learning Approach with Sensor Signals [0.4998632546280975]
  本研究は、IMU信号の解析により、運動繰り返しを自動カウントする方法を開発した。 本稿では,深度測定に基づく数点学習手法を用いた反復カウント手法を提案する。 86.8%の確率で、28回の異なるエクササイズで1セットに10回以上の繰り返しを正確に数えることが可能である。
  論文  参考訳（メタデータ） (2024-10-01T05:04:40Z)
• OlympicArena: Benchmarking Multi-discipline Cognitive Reasoning for Superintelligent AI [73.75520820608232]
  我々は,11,163のバイリンガル問題を含む,テキストのみとインターリーブされたテキストイメージのモダリティを紹介する。 これらの課題には、7つのフィールドと62の国際オリンピック大会にわたる幅広い規律が含まれており、データ漏洩について厳格に調査されている。 我々の評価によると、GPT-4oのような先進モデルでさえ、複雑な推論とマルチモーダル統合における現在のAI制限を反映して、全体的な精度は39.97%しか達成していない。
  論文  参考訳（メタデータ） (2024-06-18T16:20:53Z)
• IRIS: Interpretable Rubric-Informed Segmentation for Action Quality Assessment [7.929322038634728]
  スポーツビデオのアクションクオリティアセスメント(AQA)は、オリンピックの審査員を模倣して、2つ目の意見として、あるいはトレーニングのためにパフォーマンスを評価するのに役立つ。 これらのAIメソッドは解釈不能であり、アルゴリズムのアカウンタビリティにとって重要なスコアを正当化しない。 Informed on action sequences for AQA。
  論文  参考訳（メタデータ） (2023-03-16T06:01:21Z)
• Group Activity Recognition in Basketball Tracking Data -- Neural Embeddings in Team Sports (NETS) [10.259254824702554]
  チームスポーツにおけるグループ活動認識(GAR)のための新しい深層学習手法である.NETSを提案する。 NBAの632試合の大規模追跡データを用いて,そのアプローチを評価した。 以上の結果から,NETS はグループ活動の学習を高い精度で行うことができ,自己指導と弱監督の訓練が GAR の精度に肯定的な影響を与えることが示唆された。
  論文  参考訳（メタデータ） (2022-08-31T01:22:38Z)
• 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)
• BEHAVIOR: Benchmark for Everyday Household Activities in Virtual, Interactive, and Ecological Environments [70.18430114842094]
  本稿では,シミュレーションにおける100のアクティビティを持つAIのベンチマークであるBEHAVIORを紹介する。 これらの活動は現実的で多様性があり、複雑であるように設計されています。 われわれは、バーチャルリアリティー(VR)における500件の人間デモを含む。
  論文  参考訳（メタデータ） (2021-08-06T23:36:23Z)
• From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
  我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。 一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。 その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。 最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
  論文  参考訳（メタデータ） (2021-05-25T20:17:10Z)
• Robustness Gym: Unifying the NLP Evaluation Landscape [91.80175115162218]
  ディープニューラルネットワークは、現実のシステムにデプロイすると脆くなることが多い。 最近の研究は、そのようなモデルの堅牢性をテストすることに重点を置いている。 単純かつ評価可能なツールキットであるRobustness Gymの形で解を提案する。
  論文  参考訳（メタデータ） (2021-01-13T02:37:54Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)

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。