Automated detection of racket-ball impact timing in tennis strokes using deep learning models and a markerless motion capture system.
- Utilisation de modèles LSTM et GRU pour la détection automatisée des contacts raquette-balle
- Précision élevée (95-97 %) avec des données sans marqueurs
- Avantage des systèmes de capture de mouvement écologiquement valides
L'abstract fournit des résultats techniques précis mais ne mentionne pas d'applications directes en contexte clinique ou thérapeutique. L'étude se concentre sur l'analyse sportive, sans lien explicite avec des pathologies ou des interventions médicales.
Étude limitée à des joueurs universitaires Absence de validation en conditions réelles en dehors du laboratoire Généralisation incertaine à d'autres disciplines sportives
Contexte : L'analyse biomécanique des mouvements repose sur l'identification d'événements clés, souvent réalisée manuellement, ce qui est coûteux et chronophage. Les systèmes de capture de mouvement sans marqueurs offrent une alternative prometteuse pour collecter des données à grande échelle. Objectif : Développer et évaluer des modèles de deep learning (LSTM et GRU) pour détecter automatiquement le moment de contact entre la raquette et la balle lors de coups de tennis. Méthode : Des données cinétiques, collectées via un système de capture de mouvement sans marqueurs, ont été utilisées sur 16 joueurs de tennis universitaires. Les données des articulations du poignet, coude, genou et cheville ont été retenues pour leur performance optimale. Résultats : Le modèle LSTM a atteint une précision de 95,77 %, un F1-score de 97,09 % et un AUC de 98,06 %. Le modèle GRU a obtenu des résultats légèrement supérieurs (précision : 96,23 %, F1-score : 97,71 %, AUC : 99,20 %). Ces performances démontrent l'efficacité des modèles automatisés pour remplacer l'annotation manuelle. Intérêt clinique : Cette approche permet une analyse en temps réel des performances sportives, avec des retours immédiats pour l'entraînement. Les systèmes sans marqueurs facilitent la collecte de données écologiquement valides, utiles en contexte de recherche et d'application pratique. Limites : L'étude s'est limitée à des joueurs universitaires, ce qui restreint la généralisation à d'autres populations. Aucune mention n'est faite de tests en conditions réelles en dehors du laboratoire.
Utilisation de modèles LSTM et GRU pour la détection automatisée des contacts raquette-balle Précision élevée (95-97 %) avec des données sans marqueurs Avantage des systèmes de capture de mouvement écologiquement valides Application potentielle en entraînement sportif et analyse biomécanique
Réduction de la charge de travail liée à l'annotation manuelle Possibilité de suivi en temps réel des performances sportives Méthode applicable à d'autres sports avec adaptation des modèles
Faible