一、研究背景
游泳训练中，实时监控运动员的技术表现和训练负荷具有重要意义。传统方法如GPS在室内无效，视频分析耗时且依赖人工，存在明显局限。惯性测量单元因其便携、实时、适用性强等优势，成为游泳监控研究的热点。然而，游泳运动具有以下复杂性：存在四种泳姿及转换阶段，包括出发、转身、水下阶段和休息；水温变化可能影响传感器数据；运动员个体差异显著，如技术水平、体型和泳姿习惯；软组织伪影也会干扰信号。因此，亟需一种能自动识别多种游泳活动并具备高时间精度的分析方法。
二、研究目的
本研究旨在开发一种基于深度学习的模型，使用单个IMU传感器置于骶骨，自动识别游泳活动，并使其具备对不同游泳速度和不同水平运动员的泛化能力。同时，模型应能自动计算分段时间，并与视频标准进行对比。
三、研究方法
研究共招募35名游泳者，其中女性11名，男性24名，平均年龄23.23岁，游泳经验平均8.88年，水平涵盖业余至国家级。数据采集使用Cometa WaveTrack IMU传感器，采样频率280Hz，传感器固定于骶骨位置， 并用双面胶和防水敷料加固。三台摄像机以30Hz同步记录作为视频标准。实验流程包括100米混合泳、四种泳姿各100米且速度递增，以及50米步行用于区分非游泳活动。
活动分类共设八类：Wallpush（推壁）、Underwater（水下阶段）、Butterfly（蝶泳）、Turn（转身）、 Backstroke（仰泳）、Breaststroke（蛙泳）、Frontcrawl（自由泳）、Rest（休息）。
模型构建方面，输入为六通道IMU数据，包含加速度和角速度。预处理步骤包括10Hz低通滤波、降采样至 50Hz以及标准化。采用长度为90帧即1.8秒的滑动窗口分割数据。模型结构采用四层双向LSTM，后接多层感知机和Dropout层，损失函数为稀疏分类交叉熵，优化器为Adam。训练策略采用留一被试交叉验证，即每次用一个被试的数据作为验证或测试集，其余用于训练，以评估模型的泛化能力。
四、研究结果
活动识别性能方面，总体F1-score达到0.96。各类别F1-score分别为：Wallpush 0.28， Underwater0.91， Butterfly 0.93， Turn 0.82， Backstroke 0.99， Breaststroke 0.94， Frontcrawl 0.99， Rest0.99.Wallpush识别较差主要因其持续时间极短且易与相邻阶段混淆。分段时间验证方面，与视频标准对比共952个样本，平均误差为0.06秒，典型测量误差为0.60秒，平均绝对百分比误差为1.77%。与人工计时对比共870个样本，平均误差为-0.10秒，典型测量误差为0.58秒，平均绝对百分比误差为1.43%。按分段类型分析，起始分段的MAPE为1.15%，中间分段为1.00％，结束分段为 4.07%。结束分段误差较大，因为结束动作手触壁有时不明显。
本研究构建的数据集具有高度多样性，包含不同水平运动员、不同速度和多种泳姿，使模型具备强大的泛化能力，是目前IMU游泳分类研究中样本量最大、变异性最高的数据库之一。模型创新方面，首次在游泳分析中使用双向LSTM处理原始IMU时序数据，实现了0.02秒时间精度的高频分类，能够自动识别八类活动，包括非游泳阶段如休息、转身和水下等。实践意义上，该模型可用于自动监控训练负荷，为教练提供实时分段数据，支持长时间无干扰的实地监控，对游泳训练的智能化具有重要价值。
六、局限与展望
本研究存在一些局限，首先是数据集类别不平衡，短阶段如Wallpush样本较少，影响识别率；其次模型未包括跳水启动、打腿等动作。未来可尝试CNN-LSTM混合模型，引入SMOTE等采样技术提升少数类识别率， 并可扩展至多传感器融合或实时反馈系统，进一步提升模型的实用性和准确性。
七、结论
本研究提出了一种基于单IMU与双向LSTM的深度学习模型，能够以高时间精度自动识别八类游泳活动，并准确计算分段时间。模型在不同水平运动员和多速度条件下均表现出良好的泛化能力，为游泳训练智能化监控提供了有力工具。
