Fugu-MT 論文翻訳(概要): Multimodal Injury Risk Prediction in Tennis

論文の概要: Multimodal Injury Risk Prediction in Tennis

arxiv url: http://arxiv.org/abs/2608.25126v1
Date: Tue, 25 Aug 2026 20:21:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.432102
Title: Multimodal Injury Risk Prediction in Tennis
Title（参考訳）: テニスにおけるマルチモーダル損傷リスク予測
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.77796548098615
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning has had a significant positive impact on the prediction of athlete performance and injury risk. Most works in this field rely on subjective observations and expert assessments, which restrict their effectiveness. In sports like soccer, basketball, and wrestling, some studies attempt to address this challenge by integrating data from alternative sources, such as readings from wearable devices, alongside traditional subjective observations and expert assessments to enhance accuracy. However, similar research in tennis remains largely unexplored. In this paper, we propose a multimodal Predictive Athlete Readiness framework for Tennis (PART) to assess both performance and injury risk in tennis players. By leveraging machine learning and deep learning techniques, PART processes multiple sources of data collected from nine collegiate tennis players, including physiological metrics, training and match data, sleep data from wearable devices, self-reported information via daily questionnaires, jump assessments, and motion analysis from match play videos. PART captures four characteristics of tennis players: overall wellness, injury risk, physical capability, and playing style. By integrating these four characteristics by supervised learning, it is capable of providing a holistic assessment of the tennis athlete's condition, along with advanced forecasts of specific body areas at risk such as the upper body (e.g., elbows) or lower body (e.g., knees). Our evaluation, conducted with data from nine collegiate tennis players, shows that PART achieves strong performance in predicting both overall wellness and injury risk. Additionally, our framework also shows promise for recreational tennis players, who often suffer from injuries due to incorrect playing techniques.
Abstract（参考訳）: 機械学習は、アスリートのパフォーマンスと怪我のリスクの予測に有意な影響を与えた。この分野のほとんどの研究は主観的な観察と専門家による評価に依存しており、その効果を制限している。サッカー、バスケットボール、レスリングなどのスポーツでは、伝統的な主観的な観察や専門家による評価と並行して、ウェアラブルデバイスからの読み書きなどの他の情報源からのデータを統合することで、この課題に対処しようとする研究もある。しかし、テニスにおける同様の研究はほとんど未調査である。本稿では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に,テニス選手のためのマルチモーダル・プレセット・レディネス・フレームワーク(PART)を提案する。機械学習とディープラーニング技術を活用することで、Particleは、生理学的指標、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を含む、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。テニス選手の4つの特徴は、全体的なウェルネス、怪我のリスク、身体能力、プレースタイルである。これら4つの特徴を教師付き学習によって統合することにより、テニス選手の体調を総合的に評価し、上半身(eg,肘)や下半身(eg,膝)などの危険を伴う特定の身体領域の高度な予測を行うことができる。 9人の大学テニス選手のデータを用いて評価を行ったところ, 全体ウェルネスと傷害リスクの予測において, Partは高い性能を示した。また,この枠組みは,不適切なプレー技術によってしばしば怪我を負うレクリエーションテニス選手にも有望であることを示す。

関連論文リスト

Multimodal Injury Risk and Performance Prediction in Tennis Using Weighted Ensemble Learning [4.699056011866599]
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。
論文参考訳（メタデータ） (2026-08-21T18:09:35Z)
SportSkills: Physical Skill Learning from Sports Instructional Videos [51.16409727318035]
SportSkillsは、Wildビデオによる物理的なスキル学習を目的とした、初めての大規模なスポーツデータセットだ。 SportSkillsは、物理的なアクションの微妙な違いを理解することができる。本稿では,誤り条件付き指導ビデオ検索の大規模タスク定式化について紹介する。
論文参考訳（メタデータ） (2026-03-26T08:29:35Z)
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)
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)
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)
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)
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。