22、结合姿态估计和机器学习实现橄榄球高风险擒抱的客观检测

结合姿态估计和机器学习实现橄榄球高风险擒抱的客观检测

在接触性运动中，如橄榄球，球员之间频繁的碰撞使得受伤风险居高不下，尤其是脑震荡。及时且客观地检测高风险事件对于为脑震荡患者提供适当护理至关重要。目前，主要依赖医生的人工监测，但这存在漏检高风险事件的风险。一些引入视频分析的尝试也存在需要专家标注的问题，不仅耗时耗力，还缺乏客观性。本文提出了一种结合深度学习姿态估计和机器学习姿态评估的方法，以实现高风险擒抱的自动检测。

1. 研究背景

在橄榄球等接触性运动中，预防受伤是重中之重。男子橄榄球联盟比赛中脑震荡的发生率为每1000球员比赛小时4.73例，擒抱是最常见的原因。反复脑震荡会对大脑造成长期损害，导致痴呆和帕金森病等严重后遗症。为减少漏诊脑震荡的情况，世界橄榄球联合会于2015年8月引入了比赛日脑震荡管理协议（HIA）。然而，由于橄榄球场面积大，球员在比赛中相互交织，医生仅靠人工监测很难检测到所有HIA候选者。此外，并非所有球队都能负担得起专业队医，而次精英水平（如学生）的球员脑震荡风险更高。因此，需要一种自动化的高风险事件检测系统，作为医生的辅助或独立系统。

2. 相关工作

深度学习的发展使得对球员表现进行定量评估成为可能，这对运动员和教练有诸多好处。一方面，可以提高训练效率，如针对田径、游泳等复杂姿势运动的特定领域姿态估计模型，可用于分析球员的姿势并提供反馈，以提高表现。另一方面，可以减轻受伤风险，提高球员安全性，如检测和预测棒球投手的受伤情况，以及对足球比赛中的受伤机制进行分类。

在橄榄球领域，已有一些利用视频分析预防脑震荡的尝试。例如，Tucker等人通过专业橄榄球视频分析师从视频中手动提取特征，确定了导致HIA的擒抱风险因素