《Big Data and Cognitive Computing》：Skill Classification of Youth Table Tennis Players Using Sensor Fusion and the Random Forest Algorithm
Yung-Hoh Sheu,
Cheng-Yu Huang,
Li-Wei Tai,
Tzu-Hsuan Tai and
Sheng K. Wu
编辑推荐：
摘要：本研究针对传统乒乓球运动员分级结果易受主观判断及环境因素影响而导致不准确的问题，提出一种基于传感器融合(sensor fusion)与随机森林(Random Forest)算法的青少年乒乓球运动员分级系统。该系统采用配备ICM20948九轴惯性测量单元(
摘要：本研究针对传统乒乓球运动员分级结果易受主观判断及环境因素影响而导致不准确的问题，提出一种基于传感器融合(sensor fusion)与随机森林(Random Forest)算法的青少年乒乓球运动员分级系统。该系统采用配备ICM20948九轴惯性测量单元(inertial measurement unit, IMU)及无线传输模块的嵌入式智能乒乓球拍，实时采集运动员击球过程中的加速度与角速度数据，同时同步使用摄像机结合OpenPose算法提取关节角度变化。共采集40名运动员的击球数据，因顶尖组别样本量有限，研究人员采用少数类过采样技术(Synthetic Minority Over-sampling Technique, SMOTE)进行处理，最终获得360条记录的数据集，计算多项关键运动指标并存入专用数据库。实验结果表明，所提出的基于随机森林算法的系统在常规交叉验证下分类准确率达91.3%；在受试者无关留一法(subject-independent Leave-One-Subject-Out, LOSO)验证下获得较保守的准确率70.89%，可为教练员与裁判员进行客观运动员分级提供参考。未来工作将侧重于扩充国内高水平运动员数据集，并整合精准运动科学资源以进一步提升系统性能与算法模型，推动国家队运动员科学选拔及乒乓球智能化发展。
论文解读：《Skill Classification of Youth Table Tennis Players Using Sensor Fusion and the Random Forest Algorithm》（发表于 Big Data and Cognitive Computing）
一、研究背景与意义
现有乒乓球运动员技术等级分类多依赖裁判或教练的主观经验判断，易受场地条件及临场发挥干扰，缺乏一致性及客观性。乒乓球运动速度快、动作精细，仅凭肉眼难以区分微妙的技术差异，且基于年龄或排名的传统分类无法真实反映技术水平。已有研究多采用单一模态——基于深度学习的人体姿态估计(pose estimation)或惯性测量单元(inertial measurement unit, IMU)记录——单一模态不足以捕捉完整的动作特征：IMU虽具实时性与便利性但缺乏空间参照；基于视觉的方法易受光照与视角影响且难以精确量化速度与力度，且现有研究多关注成人运动员或特定击球类型，缺乏针对青少年运动员的数据集。为此，Yung-Hoh Sheu、Cheng-Yu Huang、Li-Wei Tai、Tzu-Hsuan Tai与Sheng K. Wu开展了本研究，通过嵌入式传感器与计算机视觉多模态融合(multimodal fusion)结合机器学习构建客观分级模型，经实验验证其有效性，对推动乒乓球训练科学化及运动员选拔具有重要意义。
二、主要关键技术方法
研究人员邀请40名不同水平的青少年乒乓球运动员（受试对象队列来源注明），以正手击球(forehand stroke)为主要动作，每人完成多组各27次挥拍。采用嵌有ICM20948 IMU（取三轴加速度与三轴角速度六轴信号，弃用易受热磁干扰的三轴磁力计）的智能球拍采集运动学信号，并以60 Hz摄像机录制配合OpenPose提取左/右肘、左/右肩及髋部五个关键关节角度。原始IMU数据按量程公式换算物理量后，经四阶Butterworth低通滤波（截止频率5 Hz，采样率85 Hz，前向–后向滤波）去噪；依Z轴加速度波谷检测与零穿越点进行挥拍分段，计算每段效率偏差(efficiency deviation)、平均效率(mean efficiency)、标准差(standard deviation)及变异系数(coefficient of variation)四项统计特征；OpenPose关节角信号以首段挥拍起始点为基准做时间戳对齐与同步分段并计算相同四项特征，最终构建含IMU与视觉特征的24维特征向量。因技能等级样本不平衡，训练时仅对训练集应用SMOTE生成合成样本，测试集保持原始数据以防数据泄漏(data leakage)。分类器选用随机森林(Random Forest)算法（n_estimators=600，max_depth=20，min_samples_split=2，min_samples_leaf=1），并与支持向量机(support vector machine, SVM)、XGBoost及逻辑回归(logistic regression)对比；评估采用常规交叉验证与留一受试者法(Leave-One-Subject-Out, LOSO)交叉验证。
三、研究结果
4.1. Dataset Construction and Experimental Protocol（数据集构建与实验方案）
研究人员自40名青少年乒乓球运动员采集正手击球数据，剔除不完整记录后保留158条有效击球实例，按既定标准划分为三个技能等级。为解决类别不平衡，SMOTE仅应用于训练阶段。采用两种评估方案：常规交叉验证比较模型与特征判别力；LOSO验证评估对完全未见受试者的泛化能力。
4.2. Cross-Validation Results and Model Comparison（交叉验证结果与模型对比）
在常规交叉验证下，所提随机森林框架总体分类准确率为91.3%。与其他算法（XGBoost、Logistic Regression、Gradient Boosting、SVC(support vector classifier)）对比，随机森林在准确率与稳定性上均具竞争力，证实所提取多模态特征具良好可分性。
4.3. Feature Importance Analysis and System Robustness（特征重要性分析与系统鲁棒性）
随机森林输出的特征重要性显示，球拍Z轴加速度与右肩关节角度特征重要性最高，这两类特征表征基本挥拍动力学与时效性运动特征，受个体差异影响较小。IMU与视觉双模态互为补充，在某一模态信号质量下降时另一模态仍保有判别力，提升系统鲁棒性。
4.4. Subject-Independent Validation Using LOSO（基于LOSO的受试者无关验证）
LOSO验证中未使用SMOTE以避免为未见受试者生成合成样本，整体分类准确率为70.89%。虽低于常规交叉验证结果，但更真实地反映个体间运动差异与有限样本下的挑战，表明系统对未见新运动员仍具合理判别能力。
4.5. Discussion of Experimental Findings and Practical Implications（实验结果讨论与实际意义）
常规交叉验证与LOSO间的性能差距凸显个体动作变异性与小样本对模型泛化的影响，LOSO结果是对实际部署更保守、真实的估计。本研究仅针对受控条件下正手击球，推广至其他击球类型或动态比赛环境尚待验证；IMU与视觉模块经后期时间对齐处理，实际应用中仍可能受遮挡、传感器断连或传输延迟影响。补充对新招募运动员的现场测试（18人中15人正确分类，准确率84%）从定性角度支持系统的潜在实用价值。
四、讨论与结论翻译
本研究针对传统乒乓球运动员分级依赖主观判断且易受外界与环境干扰的局限，通过集成嵌入式惯性传感系统与基于视觉的人体姿态估计及机器学习技术，提出青少年乒乓球运动员智能分级框架。研究人员将IMU嵌入智能球拍并使运动信号与OpenPose关节运动学特征同步，捕捉正手击球期间球拍动力学与全身运动特征；采用多模态特征融合(multimodal feature fusion)与基于随机森林(Random Forest)的建模构建客观技能分级模型。在平衡训练数据的受控实验条件下，系统分类准确率达91.3%，证明其在受控条件下区分不同技能水平的有效性及作为教练员与裁判员实用辅助工具的潜在价值。为进一步评估泛化能力，研究人员采用LOSO方案进行受试者无关验证；尽管在该更严格评估设定下性能低于常规交叉验证，其结果更真实反映人体运动的个体间变异性，并突显有限数据集下技能分类的固有挑战。结果表明，所提框架最适合作为补充专家判断的决策支持系统，而非替代专家判断，尤适用于涉及此前未见运动员的真实训练与评估场景。实际运用中可能面临身体局部遮挡、传感器间歇性断开或传感模态间时间失配等挑战，本研究通过剔除严重信号丢失试次应对；未来将通过改进同步策略、增强传感器冗余及更鲁棒学习算法提升系统适应性。未来工作将扩大受试者规模（特别是精英及国家级运动员），扩展至更多击球类型与动态比赛条件，探索类别加权学习及先进过采样技术处理类别不平衡，并依托精准运动科学计划资源完善智能技能评估方法，助力数据驱动的运动员发展、训练优化与竞技乒乓球科学选材。
