基于深度学习与眼电信号的射箭运动员静眼期自动检测方法研究

本研究针对射箭运动中静眼期(QE)传统检测方法主观性强、效率低的问题，创新性地采用深度学习技术分析眼电信号(EOG)。团队通过CNN+LSTM等混合模型实现了QE的高精度(95%)自动识别，为运动员视觉注意力训练提供了客观量化工具，对提升运动表现及拓展认知神经科学应用具有重要意义。

　　

在射箭等精准类运动中，运动员最后时刻的视觉凝视——静眼期(Quiet Eye, QE)被证明是影响表现的关键因素。传统QE检测依赖专家人工标注眼动追踪数据，不仅耗时费力，还面临30Hz采样率不足导致的精度问题。更棘手的是，现有方法难以捕捉QE的微妙时间特征(通常持续300-5000毫秒，眼动幅度仅1°-3°)，这严重制约了运动训练的科学化进程。

来自土耳其梅尔辛射箭运动俱乐部的Fatma S??üt团队在《BMC Sports Science, Medicine and Rehabilitation》发表的研究，开创性地将深度学习引入QE检测领域。研究人员采集10名专业射箭运动员200Hz采样的眼电信号(EOG)，通过小波变换和巴特沃斯滤波去噪后，首次系统比较了5种深度学习模型与传统SVM的性能差异。

关键技术包括：1)使用BIOPAC MP100系统采集单通道EOG信号；2)10级小波分解消除基线漂移；3)设计CNN+LSTM混合架构捕捉时空特征；4)采用5折交叉验证评估模型。研究结果显示，CNN+LSTM模型以95%的准确率显著优于传统方法，其MAE(平均绝对误差)在QE起止时间预测上分别仅7ms和4ms。Transformer和UNet模型虽表现尚可，但存在9-11ms的时序误差。特别值得注意的是，信号预处理(Scenario C)使所有模型性能提升15-20%，证实了高质量输入对深度学习的关键作用。

【模型比较】

CNN-LSTM凭借双向LSTM层(200/100/50单元)和卷积核(5/3)的协同作用，在PPV(阳性预测值)和SEN(灵敏度)上均达94%以上。如图12所示，该模型对Participant 4的QE窗口预测与专家标注几乎重合，证明其卓越的时序建模能力。相较之下，CNN-GRU虽计算效率更高(F1-score 92.8%)，但在Participant 2中出现约50ms的QE终点延迟。

【信号处理】

图4展示的小波去噪效果显著，cA₁₀系数去除后基线漂移完全消除。结合0.1-20Hz带通滤波(图5)，信号信噪比提升使Transformer模型的PPV波动幅度从±20.4%降至±10.8%。

【应用价值】

这项研究首次实现QE检测的全程自动化，其重要意义体现在三方面：1)为运动员提供实时视觉注意力反馈；2)突破传统眼动追踪设备的采样率限制；3)建立的混合模型框架可扩展至高尔夫、射击等精准运动。作者特别指出，该方法在军事狙击手训练等领域同样具有应用潜力。

讨论部分强调，尽管当前样本量较小，但CNN-LSTM展现的时序建模优势为后续研究指明方向。未来工作将聚焦于：1)开发嵌入式系统实现毫秒级实时检测；2)探索QE时长与环值的定量关系；3)验证模型在干预性运动(如排球)中的适用性。这项研究不仅推动了运动心理学的量化发展，更为深度学习在生理信号分析中的应用提供了范式参考。