Skill Profiling with Attributable Reasoning (SPAR): A Wearable Analysis System for Boxing
作者: Nibraas Khan, Hanchen David Wang, Enya Bullard, Ritam Ghosh, Ruj Haan, Aarav Agrawal, Meiyi Ma, Nilanjan Sarkar
分类: cs.HC, cs.LG
发布日期: 2026-09-25
💡 一句话要点
提出SPAR系统以解决拳击动作分析不足的问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 可穿戴传感器 拳击动作分析 多层次反馈 运动训练 机器学习
📋 核心要点
- 现有的可穿戴系统主要关注拳击类型的分类，缺乏对动作质量的深入分析和反馈。
- SPAR系统通过八个IMU传感器和压力鞋垫，提供对拳击动作的专家与新手分类，并通过多层次解释反馈帮助改进训练。
- 在17名参与者的实验中，SPAR系统达到了0.842的AUC值，显示出其在拳击动作分析中的有效性和可靠性。
📝 摘要（中文）
拳击是一种由腿部到手臂的全身性动作，微小的顺序错误可能导致得分与失误的差异。现有的可穿戴传感器系统主要用于识别拳击类型，而非评估其执行质量。本文提出的Skill Profiling with Attributable Reasoning (SPAR)系统，结合八个IMU传感器和压力鞋垫，能够将每个拳击动作分类为专家或新手，并提供三层次的解释反馈，帮助运动员、教练和分析师理解预测结果。通过对17名参与者和4713次拳击的实验，SPAR系统实现了0.842的AUC值，展示了其在拳击训练中的应用潜力。
🔬 方法详解
问题定义：现有拳击动作分析系统仅能识别拳击类型，无法有效评估动作质量，导致运动员无法获得针对性的改进反馈。
核心思路：SPAR系统通过结合IMU传感器和压力鞋垫，提供对每个拳击动作的分类，并通过三层次的解释反馈，帮助运动员和教练理解动作质量及改进方向。
技术框架：SPAR系统由八个IMU传感器和压力鞋垫组成，数据通过时间序列模型进行编码，随后使用小型变换器进行分类，最终输出多层次的解释反馈。
关键创新：SPAR的创新在于其多层次的反馈机制，分别针对分析师、教练和运动员，提供不同深度的解释，超越了传统系统的单一分类功能。
关键设计：系统使用冻结的时间序列基础模型对关节角度和足底压力序列进行编码，分类器采用小型变换器，确保高效的分类性能。
🖼️ 关键图片
📊 实验亮点
SPAR系统在17名参与者的实验中实现了0.842的AUC值，显示出其在拳击动作分类中的高效性。与现有系统相比，SPAR不仅能够识别拳击类型，还能提供深入的动作质量分析和反馈，显著提升了训练效果。
🎯 应用场景
SPAR系统在拳击训练中具有广泛的应用潜力，可以帮助教练和运动员更好地理解和改进拳击动作。通过提供针对性的反馈，运动员能够在训练中更有效地提升技能，最终提高比赛表现。此外，该系统的设计理念也可扩展到其他运动领域的动作分析与反馈中。
📄 摘要（原文）
A punch is a ballistic, full-body action driven by a kinetic chain running from the legs through the trunk to the arm, where a small sequencing error separates a scoring strike from a miss. Wearable sensors can capture this movement in the gym, but most deployable systems only classify which punch was thrown rather than assess how well it was thrown. We present Skill Profiling with Attributable Reasoning (SPAR), an eight-IMU garment and pressure-insole system that classifies each punch as expert or novice and treats an explanation of that prediction as feedback. Feedback is only useful if the person receiving it can act on it, so SPAR explains the prediction at three tiers, a per-joint attribution for the analyst, a counterfactual over kinetic-chain layers for the coach, and a plain-language narrative of the two for the athlete. Across 17 participants and 4,713 punches, SPAR reaches a leave-one-participant-out AUC of 0.842 (95% CI [0.769, 0.907] over participants). A frozen time-series foundation model encodes the joint-angle and plantar-force series, and a small transformer trained on the cohort classifies the encoding. We audit the two quantitative tiers and report six themes from a thematic analysis of interviews with six practicing boxing coaches.