编辑推荐：
舞蹈动作分析面临挑战，研究人员开展基于时变主成分分析（TD-PCA）提取街舞动作节拍协同的研究。结果显示不同舞种复杂度不同，TD-PCA 能更好分析协同，还提升了运动节拍检测精度。该研究助力理解舞蹈动作机制，推动相关领域发展。
舞蹈，作为人类独特的艺术表达形式，融合了身体运动、音乐、情感与文化元素，展现出无与伦比的魅力。想象一下，舞者们在舞台上随着动感的音乐节奏尽情舞动，每一个动作都精准地契合着节拍，流畅而富有力量。但在这背后，分析复杂的舞蹈动作却困难重重。目前，缺乏全面的运动捕捉数据，现有的计算技术在提取舞蹈动作特征时也不尽如人意，这使得深入探究舞蹈动作的内在机制变得极为棘手。以往针对舞蹈生物力学的研究，大多聚焦于少数特定舞种，像古典芭蕾，虽然取得了一些成果，但对于街舞这类充满活力与变化的舞蹈形式，研究还远远不够。而且，传统的协同提取方法，比如主成分分析（PCA），没有充分考虑音乐节拍对舞蹈动作的影响，难以准确呈现与音乐节拍同步的运动协同活动。在这样的背景下，为了深入剖析舞蹈动作的奥秘，日本国立先进工业科学技术研究院（National Institute of Advanced Industrial Science and Technology, AIST）的研究人员 Keli Shen 和 Jun-ichiro Hirayama 开展了一项极具意义的研究，相关成果发表在《Journal of NeuroEngineering and Rehabilitation》上。
这项研究中，研究人员采用了多种关键技术方法。首先，他们从 AIST 舞蹈视频数据库获取街舞视频数据集，这些数据包含 10 种街舞流派，由 30 位经验丰富的舞者（15 名女性和 15 名男性，年龄 20 - 35 岁，至少有 5 年舞蹈经验）表演。接着，利用 Skinned Multi - Person Linear（SMPL）模型表示人体结构，该模型包含 24 个身体关节 。然后，对关节角度数据进行处理，将其从 “轴角格式” 转换为欧拉角格式，并通过 Savitzky - Golay 滤波器进行平滑处理，去除数据噪声。之后，根据 librosa 识别的音乐节拍对关节角度时间序列进行分段，再将每段数据重采样到相同的时间点数。最后，运用时变主成分分析（TD - PCA）方法提取节拍对齐的运动协同。
下面来看看具体的研究结果：
- 舞蹈动作的全局和局部复杂性：研究人员通过 TD - PCA 的重建精度来衡量舞蹈动作的局部（即时变）和全局复杂性。全局复杂性比较发现，仅用 10 个运动协同就能平均重建 80% 以上的 72 维舞蹈运动数据。其中，两种爵士舞流派（“街头爵士” 和 “芭蕾爵士”）复杂度较高，“锁舞” 和 “浩室舞” 复杂度较低。局部复杂性分析显示，不同舞种在节拍间的复杂性变化模式各异，如 “浩室舞” 呈凹形模式，“锁舞” 呈凸形模式123。
- 不同流派的节拍对齐运动协同：聚焦于 TD - PCA 得到的前两个主成分（PC），研究发现不同舞种中第一个 PC 就有较高贡献（约 30 - 55%），第二个 PC 也有较大增量。与传统 PCA 相比，TD - PCA 能揭示各模块在音乐节拍间的时变贡献。例如，骨盆、头部和肘部在不同舞种的 PC1 中贡献的时间依赖性差异明显，且不同舞种中这些贡献的时间点也有所不同45。
- 运动节拍检测：研究人员用节拍对齐（BA）分数评估运动节拍检测的准确性。结果表明，TD - PCA 的协同激活节拍在 7 种舞种中的平均 BA 分数变化率为正，相比传统方法有一定提升；从 PCA 到 TD - PCA，多数舞种的 BA 分数变化率也超过零，说明 TD - PCA 的协同激活节拍与音乐诱导的动作对齐更好678。
在研究结论和讨论部分，此次研究提出的基于协同的方法为分析复杂舞蹈动作带来了新的视角。通过 TD - PCA 分析重建精度，揭示了不同舞种在局部和全局运动复杂性上的显著差异。而且，利用第一个运动协同激活进行运动节拍检测，相比现有方法提高了准确性。TD - PCA 克服了传统 PCA 在表示舞蹈等复杂节奏运动中时间依赖性的不足，能更精准地呈现舞蹈动作的时间协调模式。这一方法不仅有助于理解舞蹈动作机制，还能推广到其他具有明显时间依赖性的复杂运动分析中，如各类体育项目。尽管研究取得了重要进展，但仍有进一步探索的空间，如深入分析运动复杂性的来源，优化节拍跟踪性能等。该研究为深入理解街舞动作的复杂动态奠定了基础，为舞蹈及其他相关领域的运动分析、运动协调和性能优化开辟了新的研究方向。
