TTSWING

TTSWING是一个专为乒乓球挥拍分析设计的新数据集，包含通过集成在定制球拍握把上的9轴传感器获取的全面挥拍信息，以及球员的匿名化人口统计数据。

TTSWING is a novel dataset specifically designed for table tennis racket swing analysis. It encompasses comprehensive swing-related information collected via 9-axis sensors integrated into the grips of customized table tennis rackets, alongside anonymized demographic data of the players.

原始信息汇总

TTSWING: 乒乓球挥拍分析数据集

数据集概述

TTSWING 是一个用于乒乓球挥拍分析的新数据集。该数据集包含通过集成在定制球拍握把中的9轴传感器获得的综合挥拍信息，以及球员的匿名人口统计数据。数据集包含来自93名台湾精英组（A组）球员的90,000+次挥拍数据。参与者包括53名男性和40名女性，年龄在13至28岁之间，经验年限在1至19年之间。他们被要求至少执行三种挥拍模式中的一种：空中挥拍、全力击球和稳定击球，分别标记为模式0到模式2。参与者在每种模式下连续挥拍50次，生成完整的波形集，进一步转换为表格数据。

数据集属性

字段	描述
id	用于识别球员的编号
date	数据收集日期
testmode	三种挥拍模式：空中挥拍、全力击球和稳定击球
teststage	仅在testmode为1时有用，表示发球机设置的三种不同球速
fileindex	球员执行挥拍的轮次
count	每轮挥拍次数
ax_mean	x轴加速度的平均值
ay_mean	y轴加速度的平均值
az_mean	z轴加速度的平均值
gx_mean	x轴角速度的平均值
gy_mean	y轴角速度的平均值
gz_mean	z轴角速度的平均值
ax_var	x轴加速度的方差
ay_var	y轴加速度的方差
az_var	z轴加速度的方差
gx_var	x轴角速度的方差
gy_var	y轴角速度的方差
gz_var	z轴角速度的方差
ax_rms	x轴加速度的均方根误差
ay_rms	y轴加速度的均方根误差
az_rms	z轴加速度的均方根误差
gx_rms	x轴角速度的均方根误差
gy_rms	y轴角速度的均方根误差
gz_rms	z轴角速度的均方根误差
a_max	每次挥拍加速度平方根的最大值
a_mean	每次挥拍加速度平方根的平均值
a_min	每次挥拍加速度平方根的最小值
g_max	每次挥拍角速度平方根的最大值
g_mean	每次挥拍角速度平方根的平均值
g_min	每次挥拍角速度平方根的最小值
a_fft	加速度的傅里叶变换
g_fft	角速度的傅里叶变换
a_psdx	加速度的功率谱密度
g_psdx	角速度的功率谱密度
a_kurt	加速度的峰度
g_kurt	角速度的峰度
a_skewn	加速度的偏度
g_skewn	角速度的偏度
a_entropy	加速度的谱熵
g_entropy	角速度的谱熵
gender	球员性别，1为男性，0为女性
age	球员年龄
play years	球员参与球类运动的年限
height	球员身高
weight	球员体重
handedness	球员的主导手，1为右手，0为左手
hold racket handed	持拍手，1为右手，0为左手

文件列表

• classification_gender.py - 预测球员性别的实验
• classification_age.py - 预测球员年龄的实验
• classification_mode.py - 预测挥拍模式的实验
• classification_holding.py - 预测球员持拍手的实验
• regression_exp_years.py - 预测球员经验年限的实验
• general_utils.py - 分类实验中使用的通用函数
• globals.py - 记录实验结果的全局变量

使用方法

要执行代码并运行实验，请按照以下步骤操作：

1. 克隆仓库： Shell git clone https://github.com/DEPhantom/TTSWING.git

2. 进入根目录并运行命令： Python python classification_gender.py

   实验结果将记录在输出文件中。

环境要求

如需复现实验，请遵循以下环境要求：

• python==3.9.13
• numpy==1.22.3
• pandas==1.4.2
• sklearn==1.0.2
• tensorflow==2.8.3
• keras==2.8.0
• matplotlib==3.5.2
• openpyxl==3.0.10
• tqdm==4.65.0

搜集汇总

数据集介绍

构建方式

TTSWING数据集的构建方式独具匠心，通过在定制的乒乓球拍握把中嵌入9轴传感器，实现了对专业乒乓球运动员挥拍动作的全面捕捉。该数据集不仅记录了挥拍过程中的三轴加速度、三轴角速度和三轴磁场数据，还包含了运动员的匿名化人口统计信息，如年龄、性别、身高、体重和打球经验。数据收集过程严谨，涉及93名台湾顶级运动员，每位运动员在三种挥拍模式（空中挥拍、全力击球和稳定击球）下各进行50次连续挥拍，总计生成超过90,000条挥拍记录。此外，数据集还采用了自动化波形分割算法，将连续的挥拍波形数据分割为单次挥拍数据，确保了数据处理的效率和准确性。

特点

TTSWING数据集的显著特点在于其全面性和精细度。首先，数据集涵盖了专业运动员的挥拍动作，提供了高精度的运动数据，这对于研究乒乓球挥拍技术及其对运动员表现的影响具有重要意义。其次，数据集包含了运动员的匿名化人口统计信息，这为研究不同人口特征对挥拍动作的影响提供了可能。此外，数据集采用了先进的传感器技术和自动化数据处理方法，确保了数据的准确性和可靠性。最后，TTSWING数据集的开放性为科研社区提供了宝贵的资源，有助于推动乒乓球分析领域的创新研究。

使用方法

TTSWING数据集的使用方法多样，适用于多种研究目的。首先，研究人员可以利用该数据集训练和评估机器学习模型，以自动预测运动员的年龄、性别、打球经验、握拍手和挥拍模式。其次，数据集中的挥拍特征和人口统计信息可以用于分析不同人口特征对挥拍动作的影响，从而为个性化训练方案提供依据。此外，TTSWING数据集还可以用于研究挥拍动作与运动员表现之间的关系，探索挥拍技术对比赛成绩的影响。最后，数据集的开放性和实验代码的共享，为科研社区提供了可重复的研究基础，促进了乒乓球分析领域的进一步发展。

背景与挑战

背景概述

自1988年成为奥运会项目以来，乒乓球在全球范围内迅速普及，不仅作为一项竞技运动，也成为各年龄层和水平玩家喜爱的休闲活动。随着传感器技术和机器学习算法的进步，利用数据驱动方法分析运动表现，尤其是乒乓球，已成为研究热点。这些方法不仅为运动员表现提供了宝贵见解，还为训练计划和损伤预防策略提供了依据。TTSWING数据集由中央大学、台湾体育大学和福尔摩沙大学的研究人员于2023年创建，旨在通过集成在定制球拍握把中的9轴传感器收集全面的挥拍信息，并伴随匿名的球员人口统计数据。该数据集不仅为乒乓球挥拍分析提供了丰富的资源，还为科学界在运动分析领域的创新研究奠定了基础。

当前挑战

TTSWING数据集在构建过程中面临多项挑战。首先，传统的数据收集方法，如视频录制或身体传感器，存在环境设置难以复制的局限性。其次，嵌入式传感器虽然减少了运动员负担，但先前研究仅从有限数量的球员中收集数据，通常不超过20人。TTSWING通过从近100名精英球员中收集数据，显著扩大了样本规模。此外，将连续传感器信号分割为基于挥拍的数据也需大量人力。为解决这些挑战，研究团队开发了自动化方法，将收集的连续波形数据分割为每个挥拍数据，提高了数据处理的效率。

常用场景

经典使用场景

TTSWING数据集在乒乓球挥拍分析中具有经典应用场景，主要用于通过9轴传感器捕捉的挥拍信息进行机器学习模型的训练与评估。该数据集不仅包含挥拍数据，还涵盖了球员的匿名人口统计信息，如年龄、性别、身高、体重和打球经验。这些信息使得研究者能够深入分析不同球员群体的挥拍特征，从而开发出更精准的挥拍分析模型。

实际应用

在实际应用中，TTSWING数据集可用于开发智能乒乓球训练系统，通过分析球员的挥拍数据，提供实时反馈和个性化训练建议。此外，该数据集还可应用于运动损伤预防，通过监测挥拍动作中的异常模式，及时识别潜在的损伤风险。这些应用不仅提升了乒乓球训练的效率，还增强了球员的安全保障。

衍生相关工作

基于TTSWING数据集，研究者们开展了一系列相关工作，包括挥拍动作的自动分类、球员特征的预测模型构建以及运动损伤风险的评估。这些研究不仅深化了对乒乓球挥拍动作的理解，还推动了相关技术在体育科学和运动医学领域的应用。未来，这些工作有望进一步扩展到其他球类运动，为更广泛的运动分析提供支持。