基于无标记点视频分析的儿童体力活动强度分级研究
作者单位：浙江大学
会议名称：《第十三届全国体育科学大会》
会议日期：2023年
学科分类：0403[教育学-体育学] 040302[教育学-运动人体科学(可授教育学、理学、医学学位)] 04[教育学]
关 键 词：无标记点视频分析 体力活动强度分级 儿童体力活动测评
摘 要：研究目的:鉴于目前儿童体力活动测评方法在进行多人次测评的实用性存在局限,现有基于无标记视频分析法的儿童体力活动强度分级研究中受试者数量有限、视频数量较少以及视频拍摄系统较为简单,导致视频数据质量整体水平较低。另外,前人研究中体力活动强度分级方法以二分类为主,即针对活跃与非活跃状态,或者中高强度与低强度的分级,并未做到如静息、低强度、中等强度和高强度的精准分级,以及未进行个人和团队层面的强度分级,导致面向儿童的体力活动精准测评存在局限,本研究旨在通过多机位视频拍摄系统,建立并验证一种基于无标记点视频分析的个人和团队体力活动强度分级方法。该方法以体育课中的学生为研究对象,以篮球活动视频为输入,使用人物识别和追踪算法获取研究对象质心运动学参数,并将加速度计数据为参考值训练和测试任务模型,输出个人和团队层面体力活动强度分级标签。研究方法:(1)使用4机位无标记点视频拍摄系统获取166名儿童篮球活动的视频218段(总时长185 400秒),视频运动参数构建个人和团队视频数据集,并分别按照5s和10s间隔构建子数据集;(2)结合世界坐标系与多人追踪算法(MOT)获取研究对象在活动场地内的逐帧坐标数据,并计算逐帧欧式距离获取研究对象跑动跑动指数(l-index),选择其特征值作为CART分类树输入特征;(3)使用CART分类树对各数据集进行体力活动强度分级(静息强度SED、低强度LPA、中等强度MPA、高强度VPA),基于二元切分法和基尼系数选择视频运动学参数特征,并确定该特征的最优二值切分点,进行逐层划分,输出体力活动分级标签,经过五折交叉验证后进行准确率、特异性、敏感性、平均误差、受试者工作特征曲线下面积(AUC)检验,评估体力活动分级效果和泛化性能,并根据评估指标筛选出合适的个人层面和团队层面的数据组合。研究结果:(1)体力活动强度分级任务中,团队10s间隔数据集中,静息强度(SED)验证集的分级准确率为78.92%,测试集中为73.81%,其主要误判的类别为LPA(19.05%);低强度(LPA)验证集分级的准确率为79.46%,测试集中的准确率为74.76%,误差主要源自中等强度(MPA)(22.23%);MPA验证集中分级准确率为76.75%,测试集中的分级准确率为70.88%,主要误判为高强度(VPA)(17.17%);VPA在测试集中的分级准确值为80.13%,测试集中则下降至71.71%,其中主要的误判在于MPA。个人10秒间隔数据集验证集SED的分级准确率为76.62,LPA分级准确率为75.62%,MPA分级准确率74.23%,VPA分级准确75.4%;在测试集中SED的分级准确率为76.54%;LPA的分级准确率为77.09%,相较验证集提升了1.47%,其中SED和MPA分级的误判率均有下降(SED下降12.3%,MPA下降6.5%);MPA的分级准确率为71.90%较验证集中下降了2.33%,而VPA的误判率增加2.4%;VPA分级的准确率为72.17%,较验证集下降了3.27%;SED分级特异性、敏感性以及准确率均高于MPA和VPA。(2)团队数据集分级效果优于个人数据集(静息强度分级准确率为77.02%、AUC=0.84;低强度分级准确率为72.76%、AUC=0.83;中等强度分级准确性为71.88%、AUC=0.82;高强度体力活动分级准确性为72.22%、AUC=0.82),漏判率均低于个人数据集(敏感性=72.3%)、误判率高于个人数据集(特异性=68.4%),个人数据的模型泛化性能(验证集平均分级准确率73.9%,测试集平均分级准确率71.8%)优于团队数据;(3)体力活动分级任务子数据集中,个人+10s间隔数据集对4种强度的分级准确率、特异性和敏感性均高于个人+5s间隔数据集,其中SED分级特异性高于5秒间隔组2.5%,LPA特异性高出5.22%,MPA分级特异性高于个人+5s间隔数据集2.67%;个人+10s间隔数据集在SED、MPA中低估体力活动强度,在LPA和VPA中高估体力活动强度。团队+5s间隔(验证集平均分级准确率为76.4%、测试集平均分级准确率为73.1%)和个人+10s间隔数据组合具有较好的分级准确率和泛化性能。研究结论:(1)本研究初步建立并验证了针对儿童的一种非接触式体力活动测评方法。通过无标记点视频分析技术获取儿童的质心运动学参数,并结合加速度计反应人体活动量与强度的count值的特点构建视频数据计数值,结合直接观察法、运动传感器法的特点,对儿童进行个人和团队层面持续、多人次的体力活动强度分级;(2)体力活动强度分级任务中,使用CART分类树可基于视频数据进行四种强度体力活动分级,其中团队+5s时间间隔和个人+10s时间间隔的数据组合具有较好