Wearable‑Sensor‑Framework erkennt Bogenschützenbewegungen & Stress in Echtzeit
In Präzisionssportarten wie dem Bogenschießen ist die Leistung von biomechanischer Stabilität und psychischer Belastbarkeit gleichermaßen abhängig. Traditionelle Bewegungsanalysesysteme sind jedoch oft teuer und aufwendig, was ihre Anwendung im natürlichen Trainingsumfeld einschränkt. Um dieses Problem zu lösen, hat ein Forschungsteam ein maschinelles Lern‑Framework entwickelt, das Daten von tragbaren Sensoren nutzt, um gleichzeitig die Bewegungsphasen zu erkennen und den Stresslevel zu schätzen.
Das System basiert auf einem selbstgebauten Handgelenk‑Gerät, das einen Beschleunigungssensor und einen Photoplethysmographie‑Sensor (PPG) enthält. Während echter Bogenschieß‑Sessions wurden Bewegungs- und physiologische Daten synchron erfasst. Für die Bewegungserkennung wurde ein neues Merkmal namens „Smoothed Differential Acceleration“ (SmoothDiff) eingeführt und mit einem Long‑Short‑Term‑Memory‑Modell (LSTM) verarbeitet. Das Ergebnis: 96,8 % Genauigkeit und ein F1‑Score von 95,9 % bei der Identifikation der einzelnen Bewegungsphasen.
Zur Stressschätzung wurden Herzfrequenzvariabilitäts‑Features aus den PPG‑Signalen extrahiert und in einem Multi‑Layer‑Perceptron‑Classifier (MLP) analysiert. Der Klassifikator konnte hohe und niedrige Stress‑Niveaus mit 80 % Genauigkeit unterscheiden. Diese Kombination aus Bewegungs‑ und physiologischer Messung liefert wertvolle Einblicke in die technischen und mentalen Zustände der Athleten.
Das vorgestellte Framework bildet die Grundlage für intelligente, Echtzeit‑Feedback‑Systeme, die das Training von Bogenschützen und anderen Präzisionssportlern optimieren können. Durch die nahtlose Integration von Bewegungserkennung und Stress‑Monitoring eröffnet sich ein neues Kapitel in der datenbasierten Leistungsverbesserung.