論文の概要: Multimodal Injury Risk and Performance Prediction in Tennis Using Weighted Ensemble Learning

• arxiv url: http://arxiv.org/abs/2608.21530v1
• Date: Fri, 21 Aug 2026 18:09:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.25499
• Title: Multimodal Injury Risk and Performance Prediction in Tennis Using Weighted Ensemble Learning
• Title（参考訳）: 重み付きアンサンブル学習を用いたテニスのマルチモーダル損傷リスクとパフォーマンス予測
• Abstract要約: 本研究では,テニス選手のスポーツ選手の健康状態を監視し,短期的傷害リスクを推定するための重み付きアンサンブル学習フレームワークであるPART(Predictive Athlete Readiness for Tennis)を提案する。 Partは、生理的指標、トレーニングとマッチデータ、ウェアラブルデバイスからの睡眠情報、セルフレポートされたアンケート、垂直ジャンプアセスメント、マッチプレイビデオからのモーション分析など、幅広い入力を処理する。 スポーツ選手のウェルネスをモニターし、短期的傷害感受性を推定する上で、パートは強いパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 4.699056011866599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has had a positive impact on the sports industry, with one of its most promising applications being the prediction of athlete performance and injury risk. Recent advances have employed state-of-the-art models to improve prediction accuracy, yet progress remains limited by data availability and the reliance on subjective observations or expert assessments. To address these limitations, researchers in sports such as soccer, basketball, and wrestling have begun integrating heterogeneous data sources, such as wearable device readings, with traditional subjective assessments. However, similar multimodal approaches remain underexplored in tennis. In this work, we propose a multimodal weighted ensemble learning framework, Predictive Athlete Readiness for Tennis (PART), to monitor athlete wellness and estimate near-term injury risk in tennis players. PART processes a wide range of inputs, including physiological metrics, training and match data, sleep information from wearable devices, self-reported questionnaires, vertical jump assessments, and motion analysis from match-play videos. From these modalities, specialized machine learning and deep learning models independently extract four athlete-specific characteristics: overall wellness, injury risk, physical capability, and playing style. To overcome the complexity of combining these diverse modalities, PART employs a supervised weighted ensemble integration strategy, assigning adaptive weights to each predictive model based on its reliability. Evaluation of multimodal data collected from nine collegiate tennis players demonstrates that PART achieves strong performance in monitoring athlete wellness and estimating near-term injury susceptibility. Beyond collegiate athletes, the framework also shows promise for recreational tennis players, offering personalized insights to mitigate injury risk and optimize performance.
• Abstract（参考訳）: 機械学習はスポーツ業界に肯定的な影響を与えており、最も有望な応用の1つはアスリートのパフォーマンスと怪我のリスクの予測である。 近年の進歩は、予測精度を向上させるために最先端モデルを採用しているが、データ可用性や主観的な観察や専門家評価への依存によって、進歩は制限されている。 これらの制限に対処するため、サッカー、バスケットボール、レスリングなどのスポーツの研究者は、ウェアラブルデバイスリーダーなどの異種データソースを従来の主観評価と統合し始めている。 しかし、同様のマルチモーダルアプローチはテニスでは未発見のままである。 本研究では,テニス選手のスポーツ選手の健康状態を監視し,短期的傷害リスクを推定する多モーダル重み付きアンサンブル学習フレームワークであるPART(Predictive Athlete Readiness for Tennis)を提案する。 Partは、生理的指標、トレーニングとマッチデータ、ウェアラブルデバイスからの睡眠情報、セルフレポートされたアンケート、垂直ジャンプアセスメント、マッチプレイビデオからのモーション分析など、幅広い入力を処理する。 これらのモダリティから、特殊な機械学習モデルとディープラーニングモデルは、総合的ウェルネス、怪我リスク、身体能力、プレースタイルの4つのアスリート特有の特徴を独立に抽出する。 これらの多様なモダリティを組み合わせる複雑さを克服するため、Partialは教師付き重み付けアンサンブル統合戦略を採用し、その信頼性に基づいて各予測モデルに適応重みを割り当てる。 9人の大学テニス選手から収集したマルチモーダルデータの評価は,スポーツ選手のウェルネスを計測し,短期的傷害感受性を推定する上で,Partが強いパフォーマンスを発揮することを示した。 スポーツ選手だけでなく、この枠組みはレクリエーションテニス選手への約束も示しており、怪我のリスクを軽減し、パフォーマンスを最適化するためのパーソナライズされた洞察を提供する。

関連論文リスト

• Multimodal Injury Risk Prediction in Tennis [2.77796548098615]
  テニス選手のパフォーマンスと怪我のリスクを評価するため,テニス選手のための多モーダル・プレセット・レディネス・フレームワーク(PART)を提案する。 Partは、生理的指標、トレーニングとマッチデータ、ウェアラブルデバイスからの睡眠データ、毎日のアンケートによる自己報告情報、ジャンプアセスメント、マッチプレイビデオからのモーション分析など、9人の大学テニス選手から収集された複数のデータソースを処理する。 全体ウェルネスと傷害リスクの両方を予測し、特定の身体領域の高度な予測を危険にさらす。
  論文  参考訳（メタデータ） (2026-08-25T20:21:05Z)
• MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence [57.70335388371609]
  NeurIPS 2025のMyoChallengeは、スポーツにおけるモーターコントロールインテリジェンスに関する先駆的なベンチマークを確立した。 物理シミュレーションにおける高忠実度筋骨格モデルと機械学習駆動アルゴリズムの組み合わせ チャレンジには70のチームが参加し、全世界で560以上の応募があった。
  論文  参考訳（メタデータ） (2026-05-15T06:09:44Z)
• Learning Skill-Attributes for Transferable Assessment in Video [56.813876909367856]
  ビデオによるスキル評価は、人の身体的パフォーマンスの品質を評価し、何がより良くできるかを説明する。 当社のCrossTrainerアプローチでは,バランス,コントロール,手の位置決めといったスキル属性が検出される。 人間のスキルを表わす行動の共有を抽象化することにより,提案した映像表現は,既存のテクニックの配列よりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-11-17T23:53:06Z)
• AI for Equitable Tennis Training: Leveraging AI for Equitable and Accurate Classification of Tennis Skill Levels and Training Phases [0.0]
  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。
  論文  参考訳（メタデータ） (2024-06-24T03:40:41Z)
• AI coach for badminton [0.0]
  本研究では,バドミントンマッチの映像を識別し,プレイヤーの運動学と生体力学の知見を抽出する。 この研究は、姿勢、技術、筋肉の向きの改善を示唆する予測モデルを導出することを目的としている。 これらの勧告は、誤ったテクニックを緩和し、関節疲労のリスクを低減し、全体的なパフォーマンスを向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-03-13T20:51:21Z)
• ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing Forecasting Models in Badminton [52.21869064818728]
  バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。 本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:37:51Z)
• Balance, Imbalance, and Rebalance: Understanding Robust Overfitting from a Minimax Game Perspective [80.51463286812314]
  敵対的訓練(AT)はおそらく、頑健な特徴を抽出するための最先端のアルゴリズムである。 ATは、特に学習率(LR)が崩壊した後、深刻な強固な過適合問題に悩まされる。 我々は, LR崩壊が, より強い記憶能力でトレーナーに力を与えることにより, ミニマックスゲーム間のバランスを損なうことを示す。
  論文  参考訳（メタデータ） (2023-10-30T09:00:11Z)
• Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
  本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。 データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
  論文  参考訳（メタデータ） (2023-05-22T15:25:29Z)
• Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution [29.478765505215538]
  本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。 グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。 実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
  論文  参考訳（メタデータ） (2023-03-29T14:48:51Z)
• 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)
• 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)
• 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)
• 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。