AI for Equitable Tennis Training: Leveraging AI for Equitable and Accurate Classification of Tennis Skill Levels and Training Phases

许多研究已经证明了网球的多种好处，例如增强身体和心理健康。不幸的是，许多来自低收入家庭的儿童和青少年由于经济压力和物流问题，无法参与这项运动，例如私人课程费用以及往返于此类课程和诊所之间的物流问题。虽然存在几种网球自我训练系统，但它们通常是为专业人士量身定制的，而且价格昂贵。本研究旨在对网球运动员的技能水平进行分类，并将网球挥拍分为以运动属性为特征的阶段，以便未来开发基于人工智能的网球自我训练模型，以便在日常生活中使用的设备上运行，例如iPhone或Apple Watch，以提高网球技能。我们收集了参与青少年网球运动员佩戴的惯性测量单元（IMUs）的运动数据，包括Motion Yaw、Roll和Pitch。在这个试点研究中，使用支持向量机（SVM）算法处理了来自12个参与者的数据。SVM模型在将球员分类为初学者或中级球员方面表现出77％的总体准确率，误报率和漏报率较低，有效区分了技能水平。此外，根据收集的运动数据，网球挥拍成功地分为五个阶段。这些发现表明，基于SVM的分类可以成为开发公平和可访问的AI驱动网球训练系统的可靠基础。

开发一个基于人工智能的网球自我训练模型，以便低收入家庭的儿童和青少年也能够参与网球运动。

使用支持向量机算法对网球运动员的技能水平进行分类，并基于收集到的运动数据将网球挥拍分为五个阶段，为开发一个公平、可访问的AI驱动网球训练系统奠定可靠的基础。

论文使用了惯性测量单元（IMUs）收集数据，并使用支持向量机算法对数据进行处理和分类。结果表明，SVM分类可以作为开发公平、可访问的AI驱动网球训练系统的可靠基础。

最近的相关研究包括使用机器学习技术对网球运动员的技能水平进行分类的研究，以及使用惯性测量单元收集数据的研究。