Volleyball Jump Dataset

本研究的数据集名为Volleyball Jump Dataset，由KU Leuven的研究团队创建，包含10名排球运动员的337次跳跃数据。数据集旨在通过腰戴式IMU设备收集，并结合视频分析和运动捕捉软件Theia 3D获取真实跳跃高度，用于评估跳跃任务的物理负荷。数据集内容包括多种跳跃类型，如CMJ、Smash、Block、Overhead Serve等，并使用机器学习模型进行跳跃检测和高度估计，以监测排球运动员的物理负荷并降低受伤风险。The dataset utilized in this study is named Volleyball Jump Dataset, which was developed by the research team at KU Leuven. It encompasses 337 jump instances from 10 volleyball athletes. The dataset was collected using waist-worn IMU devices, with real jump heights acquired via video analysis and the motion capture software Theia 3D, with the aim of evaluating the physical load of jump tasks. The dataset covers various jump types such as CMJ, Smash, Block, Overhead Serve, and others. Machine learning models are employed for jump detection and height estimation, so as to monitor the physical load of volleyball athletes and reduce their injury risks.

搜集汇总

数据集介绍

构建方式

Volleyball Jump Dataset的构建采用了多模态数据采集策略，通过在运动员腰部佩戴惯性测量单元（IMU）设备，以100Hz的采样频率连续记录三轴加速度计和陀螺仪信号。实验设计包含10名排球运动员执行的337次跳跃动作，涵盖扣球、拦网等专项跳跃类型。同步采用索尼摄像机和Qualisys无标记运动捕捉系统采集视频数据，通过Theia 3D软件计算跳跃高度作为金标准，并由专业软件完成动作标注，确保数据的时间对齐与标签准确性。该构建方法创新性地将穿戴式传感技术与计算机视觉标注相结合，为运动生物力学分析提供了高精度基准。

使用方法

使用该数据集时建议采用三阶段分析流程：首先利用多级时序卷积网络（MS-TCN）处理原始IMU信号，实现跳跃动作的样本级检测与分类；随后提取被识别跳跃段落的时频域特征（如最大加速度、频谱熵等）；最后通过随机森林等机器学习模型进行高度回归预测。研究验证采用留一被试交叉验证（LOSO），确保模型泛化性。该数据集特别适合探索穿戴式传感器在复杂运动模式识别中的潜力，可用于开发实时训练负荷监测系统或作为运动生物力学研究的基准测试集。

背景与挑战

背景概述

Volleyball Jump Dataset是由KU Leuven等机构的研究团队于2025年提出的创新性数据集，旨在解决排球运动中跳跃活动监测的关键问题。该数据集通过腰部佩戴的惯性测量单元(IMU)采集数据，包含10名运动员的337次跳跃记录，涵盖了扣球、拦网等排球专项跳跃动作。数据集的核心价值在于首次实现了跳跃检测与高度估计的端到端解决方案，其提出的多阶段时序卷积网络(MS-TCN)框架在跳跃分类任务中达到0.90的F1分数，显著优于传统CNN-LSTM模型。该研究突破了商业设备VERT仅能计数的局限，为运动员负荷监控和运动损伤预防提供了新的技术范式。

当前挑战

该数据集面临的主要挑战体现在两个方面：在领域问题层面，排球跳跃的复杂动作模式（如扣球与拦网的动作相似性）导致分类准确率波动，特别是上手发球(OS)动作的识别F1分数仅为0.49；在构建过程中，多设备同步误差造成约0.5秒的时间偏移，且Theia 3D动作捕捉系统对14次跳跃的漏检影响了黄金标准数据的完整性。此外，IMU信号在垂直轴(y)与矢状轴(z)方向的特征提取差异，以及有限样本量导致的模型泛化能力不足，均为高度预测任务带来了显著挑战。

常用场景

经典使用场景

在排球运动科学领域，Volleyball Jump Dataset通过腰部佩戴的惯性测量单元（IMU）采集数据，结合多阶段时序卷积网络（MS-TCN）和机器学习回归模型，实现了对运动员跳跃动作的自动检测和高度预测。这一数据集典型应用于训练监控场景，可实时量化运动员的跳跃频率、类型及高度，为教练团队提供客观的负荷评估指标。其创新性在于将传统需要视频分析系统完成的复杂评估流程，简化为可穿戴设备的端到端自动化解决方案。

解决学术问题

该数据集有效解决了运动生物力学领域的两个关键问题：一是突破了传统视频分析方法在实时性和成本效益上的局限，通过IMU信号实现了无标记、连续监测；二是填补了跳跃分类与负荷评估之间的研究空白，首次将跳跃类型识别（如扣球、拦网等专项动作）与高度预测集成于统一框架。其采用的MS-TCN模型在337次跳跃数据中达到0.90的F1分数，较商业设备VERT在高度预测的R平方值（-1.53vs0.50）展现出显著优势。

实际应用

在实际训练场景中，该数据集支撑的系统已应用于职业排球队的损伤预防体系。通过长期监测运动员的累积跳跃负荷，可识别过度训练风险个体。例如对髌腱炎高风险球员，系统能精准统计其高强度跳跃（如扣球）次数与冲击高度，为制定个性化训练计划提供数据支持。相比需要专业摄像团队的传统方案，该方案仅需单个IMU设备即可完成全场训练监测，大幅降低了运动队的技术应用门槛。

数据集最近研究

最新研究方向

近年来，Volleyball Jump Dataset在运动科学和人工智能交叉领域的研究方向主要集中在基于惯性测量单元（IMU）的跳跃活动自动检测与高度预测。随着可穿戴设备的普及和深度学习算法的进步，研究者们致力于开发集成化的解决方案，以实时监测排球运动员的跳跃负荷，从而预防运动损伤。前沿研究热点包括多阶段时序卷积网络（MS-TCN）在跳跃分类中的应用，以及基于机器学习模型（如随机森林、XGBoost等）的高度估计方法。这些技术不仅提升了跳跃检测的准确率（F1-score达0.90），还在高度预测性能上显著优于商用设备VERT（R-squared从-1.53提升至0.50）。该数据集的研究为运动员负荷监控和损伤风险评估提供了高效、自动化的工具，推动了体育科学领域的智能化发展。

相关研究论文

• AI-assisted Automatic Jump Detection and Height Estimation in Volleyball Using a Waist-worn IMU

  KU Leuven, Leuven, Belgium · 2025年