運動表現分析中的人工智能

王坤 黃濤

運動表現分析中的人工智能

相關主題

商品描述

體育運動從業人員需深入理解運動員的動態行為模式和運動員之間的互動模式，以及運動表現的影響因素。當前，人工智能技術在體育和運動領域逐漸得到應用。本書基於生態動力學理論框架，系統探討人工智能技術如何用於分析與預測團隊和個人項目的運動表現特征。本書覆蓋從數據采集、可視化分析到機器學習與深度學習在運動分析中的應用，探討了運動科學與人工智能的新進展。通過豐富的案例（如足球、高爾夫、攀巖等項目），展示了人工智能技術在捕捉、分析和解讀覆雜運動行為中的潛力。本書適用於運動科學、運動分析、運動訓練、體育人工智能等領域的研究者和從業人員，為讀者提供理解、分析和優化運動表現的創新視角與實踐參考。

作者簡介

杜阿爾特·阿勞若（Duarte Araújo） 葡萄牙裏斯本大學人類運動學學院副教授、運動表現跨學科研究中心（CIPER）負責人、運動技能實驗室主任。

目錄大綱

插圖
表格
作者介紹
前言
致謝
第一章 賦能人類智能：大數據和人工智能在運動表現準備中的生態動力學方法
運動大數據
大數據的來源
大數據測量的信效度
通過可視化分析掌握大數據
可視化分析系統的設計
通過人工智能處理大數據
機器學習
監督式機器學習
無監督式機器學習
深度學習
機器學習與行為識別
大數據與運動科學如何融合？
運動科學研究中的溯因方法
從人工智能到賦能人類智慧
“人工智能”一詞的概念問題
人類智能
智能運動表現
智能運動表現的具身性
生態動力學方法對人工智能在運動中應用的指導
第二章 人工智能如何應用於運動科學以分析和支持運動員和團隊的表現？
引言
運動科學中的人工智能：研究概述
表現預測
損傷預防
模式識別
人工智能大數據的重要來源：自動追蹤系統的影響與日俱增
結語
第三章 從可靠的大數據來源到通過生態物理變量捕捉運動表現
代表性評估設計與技術
數據收集設計方法
基於視頻系統的標記分析
標記分析的原則
標記分析的有效性（效度）與可靠性（信度）
標記分析可靠性與有效性的研究示例
視頻和多相機視動系統的2D與3D自動追蹤
電視轉播追蹤技術
多視頻攝像系統
光學運動攝像系統
傳感器
智能手表、智能手機和全球定位系統（GPS）
慣性測量單元（IMU）
慣性測量單元（IMU）的效度，信度和準確度
捕捉運動表現生態動態的生態物理變量
足球
橄欖球
遊泳
攀巖
結語
第四章 檢測運動表現的計算指標
引言
個人指標
運動指標
速度
距離
前進方向
軌跡熵
分數動力學
生理指標
心率
肌電圖
肌肉負荷
肌電圖均方根
肌電圖傅裏葉變換
團體指標
時空指標
加權質心
加權伸展指數
有效表面積
網絡指標
縮放連通性
聚類系數
全局排名
質心一致性
拓撲（相互）依賴性
密度
異質性
集中度
結語
第五章 人工智能在運動模式識別中的應用：分類動作和表現特征
引言
非序列分類
支持向量機
神經網絡
序列分類
集成學習
循環神經網絡
非序列與序列分類：以高爾夫推桿為例
足球中的動作識別
結語
第六章 從分類到預測
引言
收斂性分析
預測射門次數和進球數
結語
第七章 科技、人工智能與運動和體育活動的未來展望
引言
人工智能在運動和體育活動中的表現、學習和發展的概念化需求
生態動力學如何助力解讀人工智能系統產生的大數據
人類行為的生態動力學概念化：運動領域人工智能系統的應用
技術的使用應推動運動員對環境的理解
運動表現與實踐的知識：人工智能的作用
本書各章節的關鍵信息是什麼？
展望
參考文獻

類似商品