近年來，物聯網（IoT）和大數據技術的快速發展極大地推動了智能體育訓練領域的革新。在網球運動中，每一次精準的擊球、快速的移動和敏捷的反應都至關重要。采用視頻和數字光學分析的傳統的高速攝像機和天眼系統等技術已應用于精準捕捉運動員動作并進行技術分析，但操作復雜且需要的大量財力和人力投入，這限制了其更廣泛的應用場景。柔性可穿戴傳感器的出現，改變了現有運動員動作追蹤及運動訓練的方式。不過，現有的可穿戴傳設備因結構復雜、依賴電池以及傳感信號不穩定等問題而受到限制。
近期，蘇州大學紡織與服裝工程學院方劍教授團隊基于自供電傳感紗線（E-PT紗線）開發了一種智能網球訓練系統，為網球訓練帶來前所未有的變革與提升。利用共軛靜電紡絲技術和連續涂覆工藝連續化制備了E-PT紗線，并基于壓電納米纖維和摩擦電硅橡膠涂層成功在其表面形成了獨特的微納結構，使其能夠耦合壓電和摩擦電效應，收集環境中的機械能并將其轉換為電信號而無需額外電池供電即可實現傳感應用。通過ABAQUS建立了E-PT紗線在壓縮過程中的幾何模型，解析其在一個工作周期內的電輸出響應機制，即通過接觸-變形-恢復-分離四個階段疊加摩擦電和壓電信號，有效增強能量輸出，并通過COMSOL有限元模擬進一步驗證該原理，其最高輸出功率密度可達26.72 μW/m2。
圖1 智能網球訓練系統
基于E-PT紗線所開發的智能網球訓練系統通過集成機器學習算法、智能傳感系統以及實時反饋APP程序，為運動員和教練提供了一種全新的訓練工具。智能傳感系統由9通道傳感E-PT紗線陣列制成的智能網球拍和由自供電傳感紗線通過橫機織造而成的針織物（E-PT織物）制成的智能護肘組成，能夠將運動員在訓練過程中產生的機械能轉化為電能，并同時收集與運動相關的電信號。為進一步準確分類和識別這些電信號，采用基于圖像處理的卷積神經網絡（CNN）模型，它能夠有效捕捉圖像中的空間相關性，即相鄰像素之間的值通常是相關的，該相關性對于理解圖像中的結構和內容至關重要，同樣適用于電壓波形圖像的識別任務。在人體運動過程中，E-PT織物收集到的電壓信號可能會受到電極位置的影響，產生雜亂的干擾信號，增加精確區分和識別任務的難度。CNN模型通過深度學習架構，能夠從電壓波形圖像中提取關鍵特征，并實現準確去噪和識別。在識別和分類網球相關動作姿勢任務及網球擊打角度任務中其準確率分別高達95%和98.3%。
圖2 姿勢監測模塊
圖3 擊球監測模塊與系統集成
網球訓練系統包括兩個核心模塊：網球姿勢監測和擊球監測。姿勢監測模塊（模塊Ⅰ）專注于分析運動員擊打網球的姿勢，以確保技術動作的正確性。擊球監測模塊（模塊Ⅱ）則專注于分析擊球的角度和位置，為運動員提供擊球技巧的實時反饋。通過與特定的APP程序相結合，該系統能夠提供直觀的反饋和數據分析，幫助教練優化訓練方法，幫助運動員提高運動表現。與傳統的智能體育訓練系統相比，這項研究開發的實時網球訓練系統具有輕便、成本低、易于部署和維護簡單等優點，能夠大大提高系統的便攜性和實用性，使得它們更適合大規模應用。該工作以“A Self-powered Tennis Training System Based on Micro-Nano Structured Sensing Yarn Arrays”為題發表在《Advanced Functional Materials》上（Adv. Funct. Mater. 2024, 2414395）。文章第一作者為蘇州大學紡織與服裝工程學院博士研究生陳錢，蘇州大學方劍教授和牛麗講師為本文的共同通訊作者。
原文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/adfm.202414395
