近年来，物联网（IoT）和大数据技术的快速发展极大地推动了智能体育训练领域的革新。在网球运动中，每一次精准的击球、快速的移动和敏捷的反应都至关重要。采用视频和数字光学分析的传统的高速摄像机和天眼系统等技术已应用于精准捕捉运动员动作并进行技术分析，但操作复杂且需要的大量财力和人力投入，这限制了其更广泛的应用场景。柔性可穿戴传感器的出现，改变了现有运动员动作追踪及运动训练的方式。不过，现有的可穿戴传设备因结构复杂、依赖电池以及传感信号不稳定等问题而受到限制。
近期，苏州大学纺织与服装工程学院方剑教授团队基于自供电传感纱线（E-PT纱线）开发了一种智能网球训练系统，为网球训练带来前所未有的变革与提升。利用共轭静电纺丝技术和连续涂覆工艺连续化制备了E-PT纱线，并基于压电纳米纤维和摩擦电硅橡胶涂层成功在其表面形成了独特的微纳结构，使其能够耦合压电和摩擦电效应，收集环境中的机械能并将其转换为电信号而无需额外电池供电即可实现传感应用。通过ABAQUS建立了E-PT纱线在压缩过程中的几何模型，解析其在一个工作周期内的电输出响应机制，即通过接触-变形-恢复-分离四个阶段叠加摩擦电和压电信号，有效增强能量输出，并通过COMSOL有限元模拟进一步验证该原理，其最高输出功率密度可达26.72 μW/m2。![]()
基于E-PT纱线所开发的智能网球训练系统通过集成机器学习算法、智能传感系统以及实时反馈APP程序，为运动员和教练提供了一种全新的训练工具。智能传感系统由9通道传感E-PT纱线阵列制成的智能网球拍和由自供电传感纱线通过横机织造而成的针织物（E-PT织物）制成的智能护肘组成，能够将运动员在训练过程中产生的机械能转化为电能，并同时收集与运动相关的电信号。为进一步准确分类和识别这些电信号，采用基于图像处理的卷积神经网络（CNN）模型，它能够有效捕捉图像中的空间相关性，即相邻像素之间的值通常是相关的，该相关性对于理解图像中的结构和内容至关重要，同样适用于电压波形图像的识别任务。在人体运动过程中，E-PT织物收集到的电压信号可能会受到电极位置的影响，产生杂乱的干扰信号，增加精确区分和识别任务的难度。CNN模型通过深度学习架构，能够从电压波形图像中提取关键特征，并实现准确去噪和识别。在识别和分类网球相关动作姿势任务及网球击打角度任务中其准确率分别高达95%和98.3%。![]()
![]()
网球训练系统包括两个核心模块：网球姿势监测和击球监测。姿势监测模块（模块Ⅰ）专注于分析运动员击打网球的姿势，以确保技术动作的正确性。击球监测模块（模块Ⅱ）则专注于分析击球的角度和位置，为运动员提供击球技巧的实时反馈。通过与特定的APP程序相结合，该系统能够提供直观的反馈和数据分析，帮助教练优化训练方法，帮助运动员提高运动表现。与传统的智能体育训练系统相比，这项研究开发的实时网球训练系统具有轻便、成本低、易于部署和维护简单等优点，能够大大提高系统的便携性和实用性，使得它们更适合大规模应用。该工作以“A Self-powered Tennis Training System Based on Micro-Nano Structured Sensing Yarn Arrays”为题发表在《Advanced Functional Materials》上（Adv. Funct. Mater. 2024, 2414395）。文章第一作者为苏州大学纺织与服装工程学院博士研究生陈钱，苏州大学方剑教授和牛丽讲师为本文的共同通讯作者。
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202414395
![]()
