IMU-Based系统在测量单一的快速运动的潜在变量在不同训练背景的女性和专业化

文摘

本文的目的是确定潜在的歧视IMU-based系统快速手运动的测量属性,即。、相关运动学变量与不同组的参与者。测量快速手运动的运动学进行了使用标准手动攻丝测试。包含的样例在本研究共有70名女性参与者和被划分为3个次级样本。两个函数判别分析已经确定,DF₁和DF₂,解释方差的8.1%和91.1,分别。研究了次级样本之间的差异源自DF的变量分组₁,这是统计学意义( )。在这个函数关系,国家排球队质心位置转移与对照组-1.108和-1.968标准差值和青少年排球队,分别。控制的区别和Voll_Youth组是-0.860标准偏差值。最大的因素之间的区别的潜在群体代表的时态特征快速运动,即。开始之间的时间运动和第一和第二,所定义的变量和 ,分别。既定的结果清楚地表明,IMU传感器几乎适用于关系的敏感测量快速手臂运动能力的女运动员。

1。介绍

近年来,有微机电传感器系统(MEMS)的快速发展。连同它的这种系统的实现和应用在不同的职业环境中以及在日常使用1]。在这种情况下,系统的运动也不例外,和各种可穿戴传感器开发并用于测试,培训,和竞争为了提供新的,或者更深入,有关运动性能的不同方面的信息。从本质上讲,这反映了更广泛的倾向有关新技术的实现获得更加敏感和专业运动信息的目的与实现准备在精英运动员的水平2]。

微型惯性测量单元(IMU)是一个典型的例子的MEMS技术已越来越多地用作运动分析方法(3体育科学和实践的目的。通常,一个集成了一个三轴加速度计的IMU,内置陀螺仪,磁强计是一个微型可穿戴设备(4]。这允许测量加速度、角速度和取向,也允许传感器融合跟踪三维运动的一个变量的精确程度。此外,可以使用一个IMU为了获得相关信息的时间特性分析运动(5]。在这种情况下,系统的采样频率决定了水平的测量精度。IMU-based系统的主要应用在体育训练、测试、和竞争并发或终端相关生物力学生物反馈(1)或物理特征与性能相关的评估和伤害预防6- - - - - -8]。

体育科学的发展越来越需要multistructured,综合信息收集方法在实验室和现场测试条件。这需要多种测量方法和技术的应用(9)为了获得相关信息实现身体健康的程度在不同阶段运动员的准备。除了作为一个评估的基础,这些结果可用于计算物理的潜在能力的目的和运动员的效率性能(10,11]。从这个意义上说,体育科学和实践运用都基本,即。、通用和特定测试电池(12永久和定期监测的物理特性,用特异性的表达条件,以及在特定条件的竞争压力(13]。虽然从运动的角度,系统的运动是非常复杂和多样化,并且它可以辩称,快速简单的运动运动的主要形式是基本上所有运动(14]。因此,无论特异性的测试条件下,有必要提供相关运动员的潜力在这方面的信息。在这种背景下,排球运动的是一个典型的例子,集高和复杂的技术、战术、身体要求的球员。反过来,这需要全面发展的运动能力和特定运动技能(15)可以被视为一个多维多级任务,需要持续的监控。

如前所述,IMU-based测量系统已经越来越多地用于各种目的的不同运动设置(包括性能和技术评估16),虽然他们的应用程序在测量速度的手和手臂的动作已经相当有限。在这种背景下,棒球投手一直最经常研究主题由于受伤的高发病率与此相关的特定类型的投掷运动和精确测量的需要涉及的动态段高峰活动为了量化相关方面的性能(17]。投掷棒球和打排球在开销是相似的功能需求,尽管他们产生不同的运动模式(18),IMU-based系统也适用在这种背景下,在最近的研究用于分类基于飙升的排球运动员手腕的性能和评价速度和测量系统的一部分用于运动分类(19- - - - - -21]。

在排球,高手臂速度是一般成功性能的前提条件,一般需要有效的飙升(22]。因此,相关的信息关于团体之间的差异与运动特征的快速胳膊和手的运动有助于更好地理解运动员发展的阶段和潜在的培训和选拔过程对他们的能力的影响。比较不同年龄类别的排球运动员但类似的竞争力排名在每个类别和运动控制(没有排球背景)可以提供洞察的一些属性是唯一的球员(23]或可以作为识别依据的个人,可能在这方面更有能力。与前面提到的,手动攻丝测试被选为这一研究的目的不是专业运动和广泛应用的基本测试电池在不同的运动以及测试的基本运动能力nonathlete人口。

本文的目的是确定歧视潜在IMU-based测量系统快速的手运动的属性,即。,定义相关运动学变量与不同组的参与者。

2。材料和方法

2.1。研究样本

包含的样例在本研究共有70名女性参与者。的总体样本分为3组,包括运动控制(哪一个 年, , ),而另两个由塞尔维亚共和国国家排球队的成员( 年, , )和国家级少年排球运动员( 年, , ),分别。

2.2。测量方法

测量快速手运动的运动学进行使用测试,代表了黄金标准的快速运动的测量extremities-standard手动攻丝测试(9,24,25]。这个标准测试包括横向两个标记之间交替的手运动定位在50厘米的距离在参与者面前的桌子上。执行的测试是在一个直立坐姿的手,这是最初放在对面的标志,而非惯用手放在标记定位在夜半的运动距离,如图1(一)。当准备好了,这个话题进行了最大限度地快速运动。后执行2预备考试熟悉试验,每个参与者执行三个试验,分离至少有3分钟的休息11]。最好的结果是进一步统计处理(26]。

本研究的目的,我们开发了一种便携式测量系统,它允许快速设置。无线传感器设备被连接到一台笔记本电脑运行虚拟仪器应用程序。定制的无线传感器设备包括一个IMU MEMS传感器、单片机和内置的无线通信模块,和脂肪电池multihour操作。图1 (b)显示了一个定制的传感器设备没有保护住房。传感器设备被连接到该手套如图1(一)。的加速度 - - - - - -轴对应于手运动的线,也就是说。,线路连接标记。

传感器设备配备一个结合三维加速度计和三维陀螺仪(LSM6DS33、意法半导体、日内瓦、瑞士)[27];然而,对于我们的研究的目的,我们只用加速度计数据。采样频率是200 Hz,加速度计的动态范围是±16 g₀。通过wi - fi无线传感器设备连续发送数据接口,而虚拟仪器的应用是用于加速度信号处理和运动学变量数据采集。

一个定制的虚拟仪器(国家仪器,虚拟仪器2019年,德克萨斯州奥斯汀)应用程序为了使用过程的加速度信号。虚拟仪器的应用程序包含一个模块在UDP数据包收到加速度计的样品,和获得的加速度计信号过滤低通巴特沃斯滤波器( , )。运动运动学的相关变量是自动识别运动爆发后,被发现时的绝对加速度超过1.15克₀。应用程序实现自动阈值和峰值检测使用国家仪器所提供的预定义的vi和abs ( ),提供相关运动学的位置和/或大小和时间变量。执行检测加速度梯度变量使用峰值检波器vi加速度的推导获得的信号。

2.3。变量

下列变量从加工手获得的加速度信号被用于定义相关的时间和运动的运动学特征:(我) 是运动的时间从一开始的第一个利用手(表达)(2) 是时候从第一个利用二锥的手(表达)(3) 最大加速度(表示为一个乘数g₀)(iv) 是最大减速(表示为一个乘数g₀)(v)遗传算法₁是最大加速度梯度(表达g₀·年代¹)(vi)遗传算法₂是最大减速梯度(表达g₀·年代¹)

应该注意的是,所有加速度变量测量在攻丝的第一部分,在挖掘。检查变量和事件的时间框架的一个典型的例子(图加速度信号2)。

2.4。统计分析

对于本文的目的,所有的变量都是加工使用描述性统计分析,以确定相关的集中趋势测量,数据分散,范围(意思是,方差,SEM, cV %, Min和Max)各自的次级样本。常态分布的结果是由应用程序的非参数拟合优度检验Kolmogorov-Smirnov(钴Z)。重心的位置组的位置,作为一个群体标准化多元分数,和提取的结构功能和组差异定义为判别分析。统计显著性水平的基于标准的定义 (28]。所有的数据进行了分析使用Excel 2013和IBM SPSS第23节统计软件。

3所示。结果与讨论

表1显示的结果相关的运动学变量的描述性统计分析与研究团体,以及一次采样的结果非参数拟合优度检验Kolmogorov-Smirnov。

表2显示了摘要的规范的判别函数和一般的结果统计组与检验变量之间的区别。

表3显示的结构矩阵提取函数解释一般组之间的差异决定的。

表4显示了组成员的分类与判别分析的结果相关运动学变量的基础上快速运动。

图3显示的图形表示的质心位置检查次级样本与相关函数基于运动学变量的快速运动。

基于描述性统计分析的结果,确定结果的快速手运动的运动学变量检查可接受的变化,考虑到系数变化范围从7.87到45.00在Voll_Youth和遗传算法₂分别控制样品。拟合优度检验的结果Kolmogorov-Smirnov表明检查变量正态分布总体水平(表1)。盒子的测试的结果平等的协方差矩阵表明,检验组的多个分布是相似的在统计上的显著水平( , , )。在上述的基础上,可以认为结果平均同质性(29日)和正态分布和属于同一测量区域进一步使他们代表的科学解释。

两个函数判别分析已经确定,DF₁和DF₂,解释方差的8.1%和91.9,分别。这是确定DF₁是统计学意义( )。这个函数是由变量和 。第二个函数DF₂由变量 , ,遗传算法₁和遗传算法₂。DF₂达到了一个值为0.616,从而产生无意义的结果(表2)。这表明检查次级样本之间的差异来源于DF的变量分组₁,即,the first function. The centroid positions of the examined groups control, Voll_Nat_Team, and Voll_Youth in relation to the function DF₁分别是-0.112,-1.220,和0.748(图3)。这些结果表明,DF₁Voll_Nat_Team集团重心位置转移与-1.968和-1.108标准差值Voll_Youth和对照组,分别。控制和Voll_Youth是-0.860的区别。第二个判别函数(DF₂)没有显示观察组之间的显著差异;因此,质心位置的群体与这个函数(图是相似的3)。最大的因素有识别力的价值在组织代表快速手运动的时间特征,即。,运动的开始之间的时间和第一( )和第二( ),如表所示3。

关于IMU-based测量系统的效率与歧视的检查次级样本从运动学的角度特性相关的快速运动,它确定了总体为65.7%(表4)。应该指出,最高的分类精度(80.6%)确定子样品的少年排球运动员(Voll_Youth),玩家在对照组被划分精度最低(40.9%)。基于快速手运动的运动学特征,36.4和22.7%的对照组是次级样本分类Voll_Youth Voll_Nat_Team,分别(表4)。Voll_Nat_Team子,有识别力的效率是70.6%,或88.2%时考虑到参与者Voll_Youth组分类。

IMU的呈现结果显示潜在的传感器与测量快速运动的运动学。的歧视本质的结果表明这种系统的适用性评估的目的,监测,甚至选择运动员。

4所示。结论

本文的目的是确定潜在的歧视IMU传感器技术在检测单快速运动变量/女性的特点与不同背景和专业化培训。快速手运动属性,即。,relevant kinematic variables in relation to different groups of participants, were examined. The measurement of the kinematic variables was performed using a standard hand tapping test. The sample in this research included a total of 70 female participants and was divided into 3 subsamples, of which one included physically active controls, while the other two consisted of the members of the Republic of Serbia national volleyball team and national-level young volleyball players, respectively. The discriminant analysis was used in order to define the centroid location, as a group standardized multivariate score, as well as the structure of the extracted functions and group differences between the respective subsamples. The discriminant analysis has identified two functions, DF₁和DF₂,解释方差的8.1%和91.9,分别。研究了次级样本之间的差异来源于提取函数中的变量分组DF₁,这是统计上的显著水平 。Voll_Nat_Team集团与该函数质心位置转移和-1.108标准差值控制和-1.968标准差值Voll_Youth组。控制和Voll_Youth团体之间的差异是-0.860标准差值。最大的因素之间的区别的潜在群体的时序特征的变量是快速运动,即。开始之间的时间运动和第一和第二,所定义的变量和 。既定的结果清楚地表明,IMU传感器实际应用在这种情况下,可以作为一种新技术用于评估的目的,监测,和选择的运动员。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

本文是一个项目的一部分”应用体育活动对运动的影响、代谢、心理和教育状况的人口塞尔维亚共和国”III47015数量,由教育部、科学和技术发展共和国Serbia-Scientific项目2011 - 2019周期。

的利益冲突

论文的作者声明没有利益冲突。

确认

这项工作由斯洛文尼亚研究机构赞助的部分研究项目中的ICT4QoL-Information和通信技术的生活质量(研究的核心资助。p2 - 0246)和在斯洛文尼亚和塞尔维亚之间的双边项目题为“传感器技术支持系统的检测和运动的人才选择和监测运动员的表现”(研究的核心资助。BI-RS / 20-21-023)。本文部分由斯洛文尼亚资助研究机构2018 - 2019年期间的双边项目SRB-SLO(没有。r2 - 2046)。

引用

1. 答:科斯和a . Umek生物力学生物反馈系统和应用程序,激飞国际出版,2018年。视图:出版商的网站
2. 诉Bachev m . Gadev o . Groshev p . Yordanov和b . Zlatev“计算机辅助生物力学指标的研究和分析开始加速冲刺跑,”人类运动医学,18卷,不。1,第102 - 95页,2018。视图:出版商的网站|谷歌学术搜索
3. Setuain, j . Martinikorena m . Gonzalez-Izal et al .,“垂直跳跃生物力学评价通过使用一个惯性传感器技术,”体育科学杂志》,34卷,不。9日,第851 - 843页,2015年。视图:出版商的网站|谷歌学术搜索
4. c·斯汤顿j·斯坦格,d . Wundersitz b·戈登·e . Custovic m·金斯利,”玛格传感器的效标效度评估反向运动跳在精英篮球运动员的表现,”肌力与体能训练研究》杂志上, 2018年。视图:出版商的网站|谷歌学术搜索
5. 诉Vuković:Koropanovski、美国Marković和a . Umek“描述性的反向穿孔(纪Gyako)运动学特征衡量IMU传感器技术,”FIS通信2019本书的程序:Stojiljkovic Ed, pp, 40-44 Niš,2019年。视图:谷歌学术搜索
6. p . Picerno诉Camomilla, l . Capranica“反向运动跳跃性能评估使用可穿戴的3 d的惯性测量单元,“体育科学杂志》卷,29号2、139 - 146年,2011页。视图:出版商的网站|谷歌学术搜索
7. r·s·麦金尼斯,s m·凯恩s p·戴维森r·v·维塔利·g·麦克莱恩和n·c·帕金斯,“惯性传感器和聚类分析对歧视敏捷运行技术和量化在负载变化,“生物医学信号处理和控制32卷,第156 - 150页,2017年。视图:出版商的网站|谷歌学术搜索
8. r·钱伯斯t . j . Gabbett m·h·科尔和a .胡子,“可穿戴的使用微型量化运动专项运动,”运动医学,45卷,不。7,1065 - 1081年,2015页。视图:出版商的网站|谷歌学术搜索
9. m . Dopsaj t Umek, a·科斯”关系手柄收缩特性和imu传感器,测得简单快速的手臂运动”FIS通信2019本书的程序:Stojiljkovic Ed, pp, 40-44 Niš,2019年。视图:谷歌学术搜索
10. m . Dopsaj分析和诊断在体育和体育贝尔格莱德大学:体育教师和体育教育,贝尔格莱德,2015。
11. r·坦纳和c·戈尔为精英运动员生理测试,澳大利亚体育学院和人类动力学,香槟市,2012年。
12. k . r . Mekhdieva和a . v . Zakharova”职业运动员的运动测试:特定的或普遍的?”人类运动医学,19卷,不。1、22 - 2019页。视图:出版商的网站|谷歌学术搜索
13. Zarić,m . Dopsaj, m·马尔科维奇”匹配性能在年轻女篮球运动员:关系实验室和现场测试,”国际期刊的运动性能分析,18卷,不。1,第103 - 90页,2018。视图:出版商的网站|谷歌学术搜索
14. y v Verkhoshansky”,在体育运动速度和速度新的研究在体育卷。11日,第29,1996页。视图:谷歌学术搜索
15. a . Fathi r . Hammami k·莫兰,r . Borji s沙利和h . Rabai”16周的影响结合强度和plyometric培训项目紧随其后的是一段下火车在发育期排球运动员运动能力,”肌力与体能训练研究》杂志上, 2018年。视图:出版商的网站|谷歌学术搜索
16. 诉Camomilla,大肠Bergamini、美国Fantozzi和g . Vannozzi”趋势支持攷虑使用可穿戴的惯性传感器的运动性能评估:系统回顾,“传感器,18卷,不。3,p。873年,2018年。视图:出版商的网站|谷歌学术搜索
17. m . Lapinski e·伯克森·t·吉尔,m . Reinold和j·A .天堂”分布式可穿戴,无线传感器系统评估职业棒球投手和打者,”2009年国际研讨会上可穿戴计算机林茨,页131 - 138年,奥地利,2009年。视图:出版商的网站|谷歌学术搜索
18. s . a .拉瓦希德荷、d . a . Rafeldt和t . l . Uhl“可穿戴的肩伤预防IMU开销运动,”传感器,16卷,不。11日,第1847条,2016年。视图:出版商的网站|谷歌学术搜索
19. b·汉森w·劳克林,道林,c·欧文和g . Fleisig”验证two-sensor IMU系统测量在排球运动员跳跃高度和手腕速度,”https://www.motusglobal.com/research/。视图:谷歌学术搜索
20. a . k . Holatka h .诹访元,k . Yasumoto”排球技术评估使用单点设置传感器,”2019年IEEE国际会议上普适计算和通信车间(PerCom研讨会)《京都议定书》,页567 - 572年,日本,2019年。视图:出版商的网站|谷歌学术搜索
21. 赵y, y, r·h·陈和w·j·李,“排球技能评估使用一个可穿戴的微惯性测量单元的手腕,“IEEE访问》第六卷,第13765 - 13758页,2018年。视图:出版商的网站|谷歌学术搜索
22. d . p .摩天j . f . Signorile和j·f·卡鲁索,“物理和生理变量之间的关系和排球扣球速度,”肌力与体能训练研究》杂志上,9卷,不。1,32-36,1995页。视图:谷歌学术搜索
23. r . Lidor和g·齐夫,”女排球的物理和生理属性玩家评论,”肌力与体能训练研究》杂志上,24卷,不。7,1963 - 1973年,2010页。视图:出版商的网站|谷歌学术搜索
24. f·l·威尔斯“正常性能在开发测试:之前和期间实践,与疲劳现象,”美国心理学杂志》上,19卷,不。4、437 - 483年,1908页。视图:出版商的网站|谷歌学术搜索
25. f·l·威尔斯”,性别差异在开发测试:一种解释,“美国心理学杂志》上,20卷,不。3、353 - 363年,1909页。视图:出版商的网站|谷歌学术搜索
26. j . Ivanović和m . Dopsaj”强迫时间曲线的可靠性特征在不同最大等长腿按高层运动员训练,”测量,46卷,不。7,2146 - 2154年,2013页。视图:出版商的网站|谷歌学术搜索
27. 意法半导体,LSM6DS33 LSM6DS33 iNEMO惯性模块:不间断三维加速度计和三维陀螺仪,“2017年,2019年5月,https://www.st.com/resource/en/datasheet/lsm6ds33.pdf。视图:谷歌学术搜索
28. w·j·文森特统计在人体运动学、人类动力学、香槟市,2005年。
29. d . Perić统计应用于体育和体育贝尔格莱德大学体育教师和体育教育,贝尔格莱德,2003。

版权

版权©2020 Stefan Marković等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。