Abstracto
Los investigadores han anunciado el poder de los sensores inerciales como una tecnología confiable de monitoreo centrada en el nadador, sin embargo, la adopción regular de esta tecnología no se ha convertido en una práctica común. Veintiséis nadadores de élite participaron en este estudio. Se fijó un sensor IMU (100 Hz/500 Hz) en la tercera vértebra lumbar del participante. Las características se extrajeron de los datos de natación utilizando dos técnicas: una nueva técnica de segmentación del ciclo intrabrazada y una técnica de ventana deslizante convencional. Se evaluaron seis modelos de aprendizaje automático supervisados sobre el rendimiento de predicción de accidentes cerebrovasculares. Los modelos entrenados con ambos métodos de extracción de características demostraron un alto rendimiento (≥ 0,99 de precisión promedio ponderada, recuperación, puntaje F1, área bajo la curva ROC y precisión), tiempos de entrenamiento computacional bajos (< 3 segundos - barra XGB y cuando se ajustaron los hiperparámetros) y bajo tiempos de predicción computacional (< 1 segundo). Se observaron diferencias significativas en la puntuación F1 de predicción de brazada media ponderada (pag = 0,0294) al usar diferentes métodos de extracción de características y tiempo de entrenamiento computacional del modelo (pag = 0.0007), y tiempo de predicción (pag = 0,0026) al implementar el ajuste de hiperparámetros. La clasificación automática de brazadas de natación ofrece beneficios para la codificación observacional y el análisis notacional, y oportunidades para la carga de trabajo automatizada y el control del rendimiento en la natación. Este algoritmo de clasificación de brazadas podría ser la clave que desbloquee el poder de las IMU como herramienta de biorretroalimentación en la natación.
Palabras clave:
Unidad de medida Inercial; carga atleta; seguimiento de atletas; aprendizaje automático; nadar.
0 Comments