The role of deep learning-based variable speed running training method in agility improvement of badminton players
Notice bibliographique
Résumé
Variable speed running training method is an efficient training method targeting the improvement of athletes' agility.In this paper, 30 male students from two badminton special classes of physical education majoring in a college of 2021 were selected as experimental subjects, and hexagonal ball reaction test, hexagonal jump test, repeated straddle test, standing bench press test, closed-eye in-situ step test, and low gravity center of gravity quadrangular running test were chosen as the evaluation indexes of agility quality.A new high-resolution multi-scale feature fusion network was designed for running stance estimation, and the effects of variable speed running training method and conventional agility training on the agility quality of young badminton players were analyzed.The performance curve of the RHPNet designed in this paper has low convergence difficulty and high recognition accuracy, which tends to 0.83, and performs much better than the LSTM network.The intergroup data after the experiments of the experimental group and the control group show that there are significant differences in the performance of the hexagonal jump test, the 20s repeated straddle test, the hexagonal ball reaction test, and the closed-eye in-situ step test.It verifies the effectiveness of the network designed in this paper in the estimation of athletes' movements during running, and also shows that the training effect of variable speed running training is better than that of conventional agility training.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».