آیا تاکنون در مورد فناوری‌های پوشیدنی شنیده‌اید؟ در این وبلاگ قصد داریم در مورد این فناوری‌ها و نقش آنها در آموزش ورزش‌های مختلف به ویژه تنیس روی میز صحبت کنیم. اخیراً فناوری‌های پوشیدنی توجه پژوهشگران زیادی را در حوزه‌های مختلف از جمله تشخیص فعالیت‌های انسانی (HAR) به خود جلب کرده است. سیستم HAR میتواند با استفاده از این فناوری‌ها مستقیماً اطلاعات مربوط به فعالیت‌های فیزیکی انسان را از حسگرهای تعبیه شده دریافت کند. این فناوری‌های پوشیدنی با سنسورهای متعددی که دارند به ارزیابی مهارت ورزشکاران توسط مربیان ورزشی، تناسب اندام یا توانبخشی کمک مضاعفی می‌کنند. این فناوری‌ها همچنین می‌توانند برای تمرین و یادگیری مهارت‌های ورزشی مفید واقع شوند. به عنوان مثال، افراد ممکن است در مورد تمرینات صحیح یا موثر در تنیس روی میز اطلاعات کافی نداشته باشند، اما بخواهند مهارت مربی خود را کپی کنند، در این صورت یک سیستم دستیار با استفاده از حسگرهای پوشیدنی میتواند کمک بزرگی برای آنها باشد.
بسیاری از مطالعاتی که در زمینه HAR و بر اساس فناوری‌های پوشیدنی هستند از تلفن های هوشمند به عنوان ابزار و سنسوری برای جمع آوری داده استفاده می‌کنند. اگرچه گوشی‌های هوشمند به عنوان یک دستگاه نظارتی روزمره بسیار مفید هستند، اما به دلیل اندازه آنها مناسب نصب روی بدن انسان و سنجش فعالیت‌های فیزیکی نخواهند بود. از این رو، مین لین در پژوهش خود با اتصال حسگرهای IMU به دست و بازوی بازیکنان تنیس روی میز و جمع آوری اطلاعات، فعالیت‌های فیزیکی و مهارت‌های آنها را ارزیابی کرد. در این روش مهارت‌ها و سبک‌های مختلف بازیکنان تنیس روی میز در یک سیستم دستیار مبتنی بر یادگیری عمیق ذخیره شده‌است. در نتیجه، وقتی بازیکنان در حال تمرین هستند، سیستم تشخیص می‌دهد که آیا این مهارت یا سبک مطابق با اطلاعات ذخیره شده‌است یا خیر. این اطلاعات میتواند برای بازیکنان و همچنین مربیان این رشته ورزشی بسیار مفید باشد.
در واقع، این سیستم نوعی دستیار مربیگری که میتواند اطلاعات مفیدی را در پشتیبانی از تمرین و یادگیری تنیس روی میز ارائه دهد. استراتژی این پژوهش ترکیب شبکه عصبی بازگشتی حافظه کوتاه بلند مدت (LSTM) با مدل حالت عمیق و استنتاج احتمالی است. این شبکه عصبی برای مدیریت بهتر پویایی زمانی در یک فعالیت اعمال شده است. به طور دقیق‌تر، از این روش‌های یادگیری ماشین برای استخراج نمایش‌های پنهان کم‌بعدی و مفید برای مربیگری استفاده شده‌است. فناوری یادگیری عمیق یک راه‌حل امیدوارکننده برای تحقق سیستم‌های HAR است. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی می‌باشد که در اصل یک شبکه عصبی چند لایه است. این شبکه‌های عصبی در تلاشند تا رفتار مغز انسان را شبیه‌سازی کنند. یادگیری ماشینی خود زیرشاخه ای از هوش مصنوعی است که به زبان ساده به توانایی یک ماشین برای تقلید از رفتارهای هوشمند انسان گفته می‌شود. برای اطلاعات بیشتر در مورد ویژگی‌ها و نتیجه این دستیار مربی وبلاگ‌های بعدی ما را دنبال کنید.
رویکرد جدید و نوآورانه دستیار مربی هوشمند از ترکیبی از LSTM و مدل حالت عمیق و استنتاج احتمال استفاده می‌کند و قادر به مدیریت داده‌های سری زمانی با ابعاد بالا است. این روش همچنین با استخراج ویژگی‌های پنهان و مفید و ارائه این اطلاعات به مربیان و کارشناسان به فرآیند آموزش تنیس روی میز کمک شایانی می‌کند.
همانطور که در شکل بالا می‌بینید برای دریافت اطلاعات مفید از یک واحد جمع آوری برای توسعه و ارزیابی سیستم پیشنهادی استفاده شده است. این واحد جمع آوری داده شامل سه ماژول حسگر IMU است که به دست راست و بازوی یک بازیکن متصل می‌شود. سنسورها می‌توانند داده‌ها را به Raspberry Pi 3 ارسال کنند. این داده‌ها سپس از طریق اتصال بلوتوث به یک نوت‌بوک ارسال خواهند شد. Raspberry Pi 3 یک دستگاه کامپیوتری است که به افراد کمک می‌کند تا به یادگیری مهارت‌های برنامه نویسی، ساخت پروژه‌های سخت افزاری، انجام محاسبات مختلف و غیره بپردازند.
واحد جمع‌آوری داده‌ها در این آزمایش پنج مهارت دو بازیکن تنیس روی میز (یک مربی و یک بازیکن تازه کار) را از سنسورهای تعبیه شده دریافت می‌کند و سپس به مربیان و بازیکنان اجازه می‌دهد که این داده‌ها را تحلیل کنند. پنج مهارت مورد بررسی شامل ضربه فورهند، بک هند درایو، بک هند کوتاه، فورهند کات، درایو فورهند است که در شکل زیر نشان داده شده‌است.
هر بازیکن ده بار با مهارت تمام هر حرکت را اجرا می‌کند: هفت بار برای تمرین و سه بار برای تست. هر ضربه در 27 نقطه زمانی نمونه برداری می‌شود. در تمام آزمایش‌ها، ضربات دو بازیکن به مدت 5.4 ثانیه با فرکانس 5 هرتز به دست آمده است و داده‌های شتاب سنج و ژیروسکوپ از هر یک از سه ماژول حسگر جمع آوری شده اند. بنابراین، 2 نفر × 5 مهارت × 7 ضربه × 3 محور × 2 حسگر × 3 ماژول = 1260 توالی داده برای آموزش شبکه های عصبی استفاده شده‌است.
نتایج این پژوهش نشان می‌دهد که روش دستیار مربیگری مبتنی بر یادگیری عمیق میتواند اطلاعات مفیدی در پشتیبانی از آموزش و یادگیری تنیس روی میز ارائه دهد. در واقع یکی از تفاوت‌های بین آموزش ماشینی و یادگیری مهارت‌های ورزشی به کمک مربی این است که بازیکنان از قبل در مورد بازی‌ها و به ویژه انواع حرکات ورزشی اطلاعات دارند و یک مربی ممکن است در برقراری ارتباط با مبتدی و توصیف و نمایش یک مهارت با مشکل مواجه شود. در مقابل درک توضیحات، بازخوردها یا مدل‌سازی مهارت یک مربی میتواند یک چالش بزرگ برای بازیکنان مبتدی باشد. بنابراین، در آموزش‌‌های مربی محور صرفاً تماشای تکنیک و تلاش برای الگوبرداری از رفتار مربی کافی نخواهد بود، به خصوص اگر مربی نتواند به خوبی مفهوم مورد نظر را به یادگیرنده منتقل کند. از این رو، ما معتقدیم که استفاده از دستیارهای مربی هوشمند میتواند مسیرهای جدیدی را برای یادگیری ورزش‌های مختلف باز کند و کمک قابل توجهی به مربیان و علاقه مندان به یک رشته ورزشی خواهد کرد.
منبع:
Lim, S. M., Oh, H. C., Kim, J., Lee, J., & Park, J. (2018). LSTM-guided coaching assistant for table tennis practice. Sensors, 18(12), 4112