A Low Cost Multi-Sensors Navigation Solution for Sport Performance Assessment
Notice bibliographique
Résumé
In the past decade the advanced micro-chip technology has made sensors become feasible and approachable in various applications. The cost, power consumption, weight and size properties of micro-electro-mechanical system (MEMS) inertial measurements units (IMU) have motivated the use of miniature IMUs for a variety of applications such as personal digital assistants, smart phones, gaming and monitoring devices. A new application enhances athlete training systems in different sports by either real-time monitoring or off-line analysis and assessment of their performance. This application would use multiple low-cost sensors including an accelerometer triad, a gyroscope triad, a 3D magnetometer, and a barometer. These MEMS-based sensors are the most commonly used micro-chips installed in portable devices. Quantitative analysis of motion is important for athletes' to analyze a maneuver while training. To do so, the proposed solution is to provide high rate position, velocity (from which speed can be derived), and attitude (pitch, roll, and heading), corrected accelerations and angular rates of the athlete. Outputs of this solution are easily interpreted by the athlete and therefore can be helpful in self-assessment. The proposed system is capable of providing position, velocity and attitude solutions for the athletes under consideration, thus giving the athletes themselves the ability to assess their own performances after each training session with the proposed system. Two sports are presented in this paper: skiing and cycling. The proposed system yields an accurate, portable and inexpensive sensor system to support athletes training in real-time coaching and off-line assessment. The developed system can be used not only to track the motion but also to monitor the instantaneous corrected acceleration and turning rate of the body’s behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».