具有挑战性。然而，借助于玩家数据收集，研究人员能够收集到详细的数据集，从而提供个性化的训练反馈。这个数据集包括超过 7,763 次羽毛球挥拍，利用可穿戴传感器和机器学习提供实时反馈和优化的运动建议。这个击球质量评估不仅提供了有价值的见解，还使各个水平的运动员的羽毛球训练变得更加可及和经济实惠。通过使用这项创新技术，已经为提供教练支持和反馈奠定了基础。
个性化体育教练的进步正在彻底改变运动员的表现。通过利用 AI 的力量和采用已发布的数据集，运动员可以将自己的技能提升到一个新的水平。摄像头和传感器战略性地放置在运动员的身体上，跟踪关节运动模式、肌肉激活水平和眼球运动，为他们的表现提供全面的分析。
这些数据使得个性化的技术反馈和改进建议可以轻松地被各个水平的运动员获取。2024年4月5日，韩国光州科技院（GIST）副教授金承俊领导的研究团队，与美国麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）的研究人员合作，宣布创建了一个用于 AI 驱动羽毛球训练的 MultiSenseBadminton 数据集。
研究的第一作者、博士生成闷表示：“羽毛球可以从这些不同的传感器中受益，但用于分析和训练反馈的全面羽毛球动作数据集却稀缺。”
在2024年GIST-MIT项目的支持下，本研究汲取了 MIT 的 ActionSense 项目的灵感，利用可穿戴传感器监测各种日常厨房活动，如剥皮、切菜和打开罐子。成闷与 MIT 的团队合作，团队成员包括 MIT CSAIL 的博士后研究员约瑟夫·德普雷托、MIT CSAIL 的主任和 MIT EECS 的教授达尼埃拉·鲁斯，以及沃伊切赫·马图西克。他们共同创建了 MultiSenseBadminton 数据集，记录了羽毛球运动员的动作和身体反应。这个数据集在专业羽毛球教练的参与下开发，旨在改善正手高球和反手击球的质量。为此，研究人员收集了 23 小时的挥拍运动数据。
研究涉及了 25 名不同训练背景的运动员。他们的任务是在监测各种传感器的情况下进行正手高球和反手击球。这些传感器包括 IMU 传感器用于跟踪关节运动，EMG 传感器监测肌肉信号，鞋垫传感器用于足部压力，以及相机记录身体运动和羽毛球位置。共收集了 7,763 个数据点，每一次挥拍都根据击球类型、运动员的技能水平、羽毛球落点和击打位置进行了仔细标记。
数据集经过机器学习模型验证，确保其适合训练 AI 模型以评估击球质量并提供反馈。
成闷表示：“MultiSenseBadminton 数据集可用于开发针对球拍运动员的基于 AI 的教育和训练系统。通过分析不同水平的运动员在运动和传感器数据上的差异，并创建 AI 生成的动作轨迹，该数据集可以应用于为每个水平的运动员提供个性化的运动指导。”
收集到的数据可以通过触觉振动或电肌肉刺激来增强训练。这种数据集，例如 MultiSenseBadminton 数据集，可以通过改善运动和精炼技术来潜在改善体育训练。它还可以用于创建虚拟现实游戏或训练模拟，使体育训练更具可及性和成本效益，可能改变人们的锻炼方式。
最终，研究人员相信，这个数据集可以使体育训练对更广泛的受众更加可及和经济实惠，促进整体健康，并有助于健康人群的建设。
