运动力学赋能高校网球教学与训练的研究

摘要：网球是一项隔网对抗性项目，可以培养人的力量、速度等多方面身体素质，它齐聚健身、娱乐、竞技以及社交于一体，近年来高校网球运动日趋火热，受到师生的喜爱。本文研究了运动力学在高校网球教学与训练中的应用，提出了阵列式非接触视觉人体姿态测量方法。通过对不同水平网球运动员的发球、底线回球等动作进行三维测量分析，发现随着技术水平的提升，发球球速、发力手臂腕部平均速度等参数均呈上升趋势。同时，将该方法应用于教学实践中，通过翻转课堂等教学模式，提高了教学质量和学生的学习效果。

关键词：网球；生物力学；动作；测量；运动捕捉；

1.主要研究内容及其创新

网球作为一项广受欢迎的体育运动，在高校中得到了广泛的推广和普及。然而，当前高校网球教学与训练中仍存在一些问题，如教师缺乏训练经验和科学理论引导，学生动作结构稳定性差等。为了解决这些问题，国内外学者进行了大量研究，但主要集中在技术动作的定性分析和教学经验总结上。本研究在此基础上，提出了基于运动力学的阵列式非接触视觉人体姿态测量方法，开展面向不同水平网球学生的实测应用，以期为网球教学与训练提供更为科学的指导，研究所开展的主要研究工作及所获得的研究成果如下：

1.1阵列式非接触人体姿态视觉测量方法研究

人体动作测量主要分为接触式和非接触式两种：接触式人体动作测量通过包含惯性测量单元（IMU）等位姿传感器的可穿戴式设备实现。在测量时将其布置在人体手腕、腰部或腿部等关节部位，通过分析加速度或角速度来获得人体骨骼运动参数。可穿戴式设备集成化程度高、响应快速，但是存在累积误差和积分误差，测量精度较差。为此，本研究将光学非接触测量方法引入网球运动员动作姿态测量来解决可穿戴设备带来的运动干扰问题。该方法包含深度学习无标志点2D动作识别技术、多目立体视觉人体关节点三维重建技术与参数化模型驱动的人体动作参数优化技术。

1.1.1深度学习无标志点2D动作识别技术

2D动作识别技术通过深度学习在大量数据中学习到图像中的人体关节特征，可以从图像或视频中识别出人体的关节位置。本研究基于AlphaPose方法获取图像中的二维人体关节坐标，其处理流程如下：首先在整幅图像中检测出每个人体，之后使用深度卷积神经网络（CNN）来检测人体的关节点。使用姿态引导的注意力机制来预测人体重识别特征，以准确提取关注的人体形态。最终的多阶段身份匹配（MSIM）结合了姿态、人体重识别特征和检测框，得到最终的人体二维关节点检测结果。

1.1.2多目立体视觉人体关节点三维重建技术

图像记录的是三维场景在二维平面上的投影，成像过程中丢失了深度信息。对于特定的二维图像点，相应的三维点被限制在视线上。使用单一图像无法确定视线上哪一点对应于图像点。但如果有两张或者两张以上的图像可用，则可以通过两条投影射线的交点找到三维点的位置，这个过程称为立体测量。

立体测量的关键是要有至少两个视角下相机对被测物进行交会成像（也称为多目立体视觉）。传统相机模型存在四个坐标系：世界坐标系（XW， YW ，ZW），相机坐标系（XC， YC ，ZC），图像物理坐标系（xc， yc）和图像像素坐标系（x， y）。世界坐标系是客观三维世界的绝对坐标系，用于描述物体在真实世界中的位置。世界坐标系随物体的大小和位置而变化，单位通常为长度单位。相机坐标系以相机的光心为坐标原点，XC轴和YC轴平行于图像的x和y方向，ZC轴与光轴平行，三轴互相垂直，单位是长度单位。光心是指图像的中心，而光轴是穿过光心且与图像平面垂直的轴。图像物理坐标系以主光轴ZC与图像平面的交点为原点，x和y方向如图所示，单位是长度单位。图像像素坐标系以图像的四个顶点为坐标原点，单位是像素。图像物理坐标系与像素坐标系之间的转换通过平移实现（图2）。

当一个特征点（即本研究中的关节点）在特定相机的视野内被捕捉时，可以通过相机的位姿确定从相机中心发出并指向该特征点的一条视线。计算由多个相机延伸出来的观测线的交点能够确定该特征点在三维空间中的确切位置。假设三维特征点Pi=（xi， yi， zi）被M个相机观测到，已知相机外参Rj=1，2，…，M，Tj=1，2，…，M，相机内参Kj=1，2，…，M。特征点在各个相机中的坐标为pij=[uij， vij]，公式（1）给出了二者在不考虑畸变误差的情况下的关系。

可以通过最小化三维距离的方式来求解该二维点在空间中的坐标：由每个视角下的二维点和相机位姿可以引出一条射线，则在世界坐标下只需要找到一个距离有所观测射线距离最近的三维点。每个视角下的射线方程如公式（2）所示。

特征点到射线的距离为||（Pi-Ti） ×Riuij||。定义目标函数为世界坐标系下的特征点pi到所有射线的距离的平方和最小，如公式（3）。

求解最小二乘误差最小的点即可求出特征点在世界坐标系下的三维坐标。基于多视角图像重建的三维人体关节坐标如图3所示。

1.1.3参数化模型驱动的人体动作参数优化技术

SMPL（Skinned Multi-Person Linear Model）是目前应用最广泛的人体参数化模型，其结合线性混合蒙皮方法，从大量三维扫描数据中学习体表形变信息，生成与真实人体动作和形态紧密匹配的模型（图4）。SMPL 模型由形态参数（shape）与姿态参数（pose）控制：形态参数定义身体外形的特征。个体的体表形态被表示为基础形态的线性组合，并从大量人体扫描数据中学习到参数与体表的映射关系。由此可见，形态参数是表征人体高矮胖瘦与肢体长度等人体“个性化”的特征参数；姿态参数定义了模型的动作姿态，通过控制子关节相对于父关节的旋转量，从而控制模型的关节运动。由此可见，姿态参数是表征人体运动状态的参数，本质上就是人体的动作参数。动作姿态的测量需要通过优化SMPL中的形态参数，使其与被试者 “形态最相像”，通过优化姿态参数使其与被试者“动作最相像”。

SMPL模型的两类参数获取是一个基于测量数据的优化过程，可使用两种方法：第一种是通过扫描等方式获得人体体表上特征点的三维坐标作为输入，之后驱动 SMPL 模型使得模型计算的特征点坐标与采集到特征点坐标偏差最小来实现模型参数的优化；第二种是使用可穿戴传感器或者基于视觉的标记点识别定位得到人体关节点处的坐标，实现模型参数的优化。

SMPL模型的参数优化过程可分为三步，分别为融入形态参数对于体表的影响、融入姿态参数对于体表的影响及体表和关节坐标获取。

综上，研究在本部分介绍的阵列式非接触人体姿态视觉测量方法通过深度学习无标志点2D动作识别技术获取人体关节点在图像中的像素坐标，再通过多目立体视觉人体关节点三维重建技术获得人体运动过程中的三维人体关节坐标，最终将其作为输入通过参数化模型驱动的人体动作参数优化技术求解获得人体的高精度关节点坐标及关节角度。

1.2多水平高校网球运动员三维动作测量分析研究

利用研究所发展的方法，研究团队对网球运动员的动作姿态进行了测量，对高中低三种水平运动员的五种动作姿态（发球、底线正手回球、底线反手回球、网前正手截击、网前反手截击）进行了分析，对动作特征参量与发（回）球质量的相关性进行了总结。之后，正式开始试验。按照实验分组表所示动作开展实验测试，实验过程随时观察数据有效性，确保每人每种测试条件至少有3个有效数据。最终，供采集了9名运动员，5种动作的各3组数据，共计135个动作的视频数据。

通过对9位不同水平受试者发球阶段的发球球速、发力手臂腕部平均速度及主动发力腿的蹬伸速度进行分析可以发现：高水平受试者的发球速度高于低水平受试者，其腕部速度与球速相关性强，蹬伸速度与发球速度相关性弱。考虑到发球过程中的腿部与腰部发力是一个复杂过程，后续将会邀请更多的不同水平受试者尤其是高水平受试者开展更加细致的测试来研究腿部发力与发球质量间的关系。

本研究基于无标记动捕技术实现了实训条件下网球击球动作姿态的高质量获取，基于此实现了动作质量评价，能够帮助教师和学生提升教学质量，提高学生竞技水平。

1.3高校网球运动过程教学过程中的运动生物力学授受

在实际教学实践中采用“翻转课堂”教学模式，激发了学生的学习动机和兴趣，加深了学生对体育项目规则和动作概念的理解的同时，对于提高体育教学质量起到了重要作用。

1.3.1高校网球教学模式改革

针对以往的网球教学中存在的问题以及现状情况，以此来探寻出微课与翻转课堂融合教学模式在普通高校网球教学中运用的可行性分析。研究分析微课与翻转课堂融合的教学模式对学生网球正反手技术水平的影响程度以及是否能够改变学生课堂的参与程度、能否增加学生对体育的参与兴趣、能否改变学生对体育的认知程度。通过调查研究来设计出适合普通高校网球教学方式，对以后教学模式的改进和提升提供一定的理论依据。

1.3.2网球课中运动力学授受

把科技引入到网球教学中， 教师可以更好地讲解动作，帮助学生理解动作、优化动作，然后从力学的角度去分析动作。本研究从教学改革角度探讨“翻转课堂”对于高校网球教学的重大意义。把科技引入到网球教学中，让教师更好地讲解动作，帮助学生理解动作、优化动作，然后从力学的角度帮助师生去分析动作。结合力学赋能网球运动，当前高校体育教学面临的困境，详细阐述本课程采用翻转课堂的实施过程，并结合教学实验的数据来证明翻转后的教学效果优于传统的教学效果，揭示高校体育教学引入“翻转课堂”的价值，从为高校体育教学应用“翻转课堂”和多学科交叉融合提供一定的实践参考。

学生在反馈中的认可程度对课堂的评价是很有效的。微课与翻转课堂融合的教学模式给学生更多的自由时间，使得学生与教师之间和学生与学生之间有更多的交流与互动，达到熟练掌握的程度，得到同学们的认可。

3.研究成果的科学价值及应用前景

本研究发展了面向网球运动员实训条件下的人体动作视觉测量方法，提出了表征网球发球与回球动作的动作特征参量并总结了其与发回球质量间的相关关系。基于精细化动作数据的动作特征参量提取及其与发回球质量间的相关性分析能够实现动作质量的定量化评价，对帮助运动员优化动作并提升成绩具有重要作用。

3.1科学价值

通过视觉测量方法，能够精确记录网球运动员在击球、发球、移动等过程中的身体姿态、关节角度、肢体运动轨迹等详细信息。教练可以依据这些精准数据，对运动员的技术动作进行深入剖析，发现其中的细微问题和不足之处。同时，通过测量与数据分析还能够实现网球教学与训练时常见的技术动作错误的纠正，如击球点过低、手臂挥动轨迹不正确、身体重心转移不合理等，该方法可以及时、准确地检测出来。教练根据测量结果给予针对性的纠正指导，使运动员能够更快地调整和改进动作，养成正确的技术动作习惯，减少因动作不规范导致的失误和能量损耗，提升击球效果。

3.2应用前景

在网球教学和训练领域具有应用前景：在网球的日常教学和训练中，本研究所提出的视觉测量方法可以成为一种常规的监测工具。可以在训练场地上安装视觉测量设备，对运动员的每一次训练课进行全程动作监测。教练可以在训练结束后，或者在训练过程中（通过实时传输数据）查看运动员的动作数据，及时给予反馈和指导。例如，对于青少年网球运动员的基础技术训练，如正手击球、反手击球等动作的规范训练，视觉测量能够帮助教练确保运动员的动作准确性，及时纠正错误动作，提高训练效果。此外还可以支撑专项技术提升训练和战术训练配合。针对网球的专项技术，如发球、高压球等复杂技术动作，视觉测量方法可以提供更详细的动作分析。以发球为例，它可以测量发球的抛球高度、发球时的身体扭转角度、击球力量等多个参数。通过对这些参数的分析，教练可以设计针对性的专项技术提升训练计划。对于职业网球运动员来说，通过这种精细化的专项技术训练，可以进一步优化他们的技术动作，提高在比赛中的竞技能力。在网球的双打战术训练中，视觉测量方法可以用于分析两名运动员之间的配合动作。

参考文献

[1]叶飞.网球中的正拍击球技术探析[J].武汉体育学院学报，2003，31（6），6-9．

[2]罗贝尔特·霍希.网球教学[M].北京.北京体育大学出版社.2005.10．

作者简介：

朱雷（1984-），男，汉族，浙江嘉兴人，硕士，讲师，主要研究方向：体育教育训练学

基金：浙江省教育厅一般科研项目《运动力学赋能高校网球教学与训练的研究》Y202352144