論文の概要: Learning golf swing signatures from a single wrist-worn inertial sensor

• arxiv url: http://arxiv.org/abs/2506.17505v1
• Date: Fri, 20 Jun 2025 22:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.448757
• Title: Learning golf swing signatures from a single wrist-worn inertial sensor
• Title（参考訳）: 単手首慣性センサを用いたゴルフスイングシグネチャの学習
• Authors: Jessy Lauer,
• Abstract要約: 単一手首センサを用いたゴルフスイング分析のためのデータ駆動型フレームワークを構築した。 我々は、技術的欠陥の検出と可視化を容易にする動きプリミティブの合成、離散的な語彙を学習する。 本システムでは,手首データから全身運動とスイングイベントを正確に推定し,実験室での動作解析を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite its importance for performance and injury prevention, golf swing analysis is limited by isolated metrics, underrepresentation of professional athletes, and a lack of rich, interpretable movement representations. We address these gaps with a holistic, data-driven framework for personalized golf swing analysis from a single wrist-worn sensor. We build a large dataset of professional swings from publicly available videos, reconstruct full-body 3D kinematics using biologically accurate human mesh recovery, and generate synthetic inertial data to train neural networks that infer motion and segment swing phases from wrist-based input. We learn a compositional, discrete vocabulary of motion primitives that facilitates the detection and visualization of technical flaws, and is expressive enough to predict player identity, club type, sex, and age. Our system accurately estimates full-body kinematics and swing events from wrist data, delivering lab-grade motion analysis on-course and supporting early detection of anomalous movement patterns. Explainability methods reveal subtle, individualized movement signatures, reinforcing the view that variability is a hallmark of skilled performance. Longitudinal tracking demonstrates practical value: as one player's handicap improved from 50 to 2.2 over 1.5 years, our system captured measurable technical progress and provided targeted, actionable feedback. Our findings challenge common assumptions, such as swing consistency across clubs and the existence of a single "ideal" swing, and uncover latent biomarkers shaped by both intrinsic traits and task-specific constraints. This work bridges lab and field-based biomechanics, offering scalable, accessible, high-fidelity motion analysis for research, coaching, and injury prevention, while opening new directions in movement-based phenotyping, personalized equipment design, and motor skill development.
• Abstract（参考訳）: パフォーマンスと怪我予防の重要性にもかかわらず、ゴルフスイング分析は、孤立した指標、プロのアスリートの過小評価、リッチで解釈可能な運動表現の欠如によって制限されている。 これらのギャップを、単一の手首のセンサーからパーソナライズされたゴルフスイング分析のための、包括的でデータ駆動のフレームワークで解決する。 我々は、公開されているビデオからのプロのスイングの大規模なデータセットを構築し、生物学的に正確な人間のメッシュリカバリを用いて全身の3Dキネマティクスを再構築し、合成慣性データを生成し、手首ベースの入力から動きとセグメントのスイングフェーズを推論するニューラルネットワークをトレーニングする。 我々は、技術欠陥の検出と可視化を容易にする動きプリミティブの合成、離散的な語彙を学習し、プレイヤーのアイデンティティ、クラブタイプ、性別、年齢を予測するのに十分な表現力を持つ。 本システムでは,手首データから全身運動と揺動イベントを正確に推定し,実験室での動作解析を行い,異常な動きパターンの早期検出を支援する。 説明可能性の手法は微妙で個別化された動きのシグネチャを明らかにし、可変性は熟練したパフォーマンスの目印である、という見方を補強する。 1人のプレーヤーのハンディキャップが1.5年で50から2.2に改善されたため、我々のシステムは計測可能な技術的進歩を捉え、目標とし、実用的なフィードバックを提供した。 本研究は, クラブ間の揺動一貫性, 単一「理想」揺動の存在, 内在的特性とタスク固有の制約の両方によって形成された潜伏バイオマーカーの発見など, 一般的な仮定に挑戦する。 この研究は、実験室とフィールドベースのバイオメカニクスを橋渡しし、研究、コーチング、傷害予防のためのスケーラブルでアクセシブルで高忠実なモーション分析を提供しながら、運動ベースの表現型、パーソナライズされた機器設計、モータースキル開発における新たな方向性を開放する。

関連論文リスト

• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• MultiPhys: Multi-Person Physics-aware 3D Motion Estimation [28.91813849219037]
  モノクロビデオから多人数動作を復元する手法であるMultiPhysを紹介する。 私たちの焦点は、様々なエンゲージメントの度合いで、ペアの個人間のコヒーレントな空間配置をキャプチャすることにあります。 本研究では,運動量に基づく運動を物理シミュレーターに自動回帰的に供給するパイプラインを考案する。
  論文  参考訳（メタデータ） (2024-04-18T08:29:29Z)
• 3D Kinematics Estimation from Video with a Biomechanical Model and Synthetic Training Data [4.130944152992895]
  2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。 実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-20T17:33:40Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• GIMO: Gaze-Informed Human Motion Prediction in Context [75.52839760700833]
  本研究では、高品質なボディポーズシーケンス、シーンスキャン、目視によるエゴ中心のビューを提供する大規模な人体動作データセットを提案する。 私たちのデータ収集は特定のシーンに縛られません。 視線の全可能性を実現するために,視線と運動枝の双方向通信を可能にする新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-04-20T13:17:39Z)
• Leveraging distributed contact force measurements for slip detection: a physics-based approach enabled by a data-driven tactile sensor [5.027571997864706]
  本稿では,新たなモデルに基づくスリップ検出パイプラインについて述べる。 分散力を正確に推定する視覚ベースの触覚センサを、6自由度コボットと2フィンガーグリップパーからなる把握装置に統合した。 その結果, 形状, 材料, 重量の異なる物体を操作しながら, スリップを確実に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-23T17:12:46Z)
• Physion: Evaluating Physical Prediction from Vision in Humans and Machines [46.19008633309041]
  我々は、この能力を正確に測定する視覚的および身体的予測ベンチマークを示す。 我々は、様々な物理予測を行う能力について、アルゴリズムの配列を比較した。 物理的な状態にアクセス可能なグラフニューラルネットワークは、人間の振る舞いを最もよく捉えている。
  論文  参考訳（メタデータ） (2021-06-15T16:13:39Z)

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。