基于机器学习的羽毛球挥拍动作识别算法比较研究

尽管人们对羽毛球运动关注度较高,但是面向羽毛球运动的智能化设备却很少。本文基于传统的浅层机器学习随机森林(Random Forest,RF)、K近邻(K Nearest Neighbor,K NN)、梯度提升(Gradient Boosting,GB)、支持向量机(Support Vector Machine,SVM)和长短期记忆网络(Long Short Term Memory,LSTM)深度学习模型验证了能够准确识别头顶正手击球、架空反手击球、杀球、腋下正手击球、腋下反手击球5种常见的羽毛球挥拍动作类型的算法。本研究通过固定在球拍握把底部的无线惯性传感器模块采集了12名运动者的挥拍动作数据样本,共1800组,采用低功耗蓝牙进行数据传输和收集,实验过程中采集的数据通过动作窗口和滑动窗口相结合的窗口切割方法进行截取,提取经窗口截取后的动作数据特征,使用RF、K NN、GB、SVM和LSTM模型学习验证识别了实验中的5种挥拍动作。实验结果表明,LSTM识别精度达到99.42%,明显优于传统的机器学习算法。同时,本文选择STM32F476 ARM微控制器作为边缘计算单元,将基于LSTM的羽毛球挥拍动作识别模型部署到该微控制器中,用于实时推断和识别运动者羽毛球挥拍动作类型,识别效果良好。