Virtual reality to characterize anticipation skills of top-level 4 x 100 m relay athletes

Loïc Chomienne1 | Martin Egiziano1 | Laurine Stefanuto1 | Martin Bossard2 | Eulalie Verhulst3 | Richard Kulpa3 | Nicolas Mascret1 | Gilles Montagne1

刊登于《EUROPEAN JOURNAL OF SPORT SCIENCE》——2024年

摘要

在体育运动中，运动员对未来事件的预测能力是其专业技能的标志之一。在 4× 100 米接力赛中，这些预测能力是运动员在正确的时间开始比赛的重要资产。然而，目前还没有研究重点描述其中涉及的非衍生感知运动过程。虚拟现实技术为描述和理解这些过程提供了强大的工具，克服了现实世界中遇到的巨大限制。来自法国国家队的 19 名运动员沉浸在法兰西体育场的数字复制品中，并与基于动作捕捉的潜在合作伙伴的数字双胞胎面对面。他们的任务是在虚拟伙伴越过地面上的前进标记时，准确启动跑步。对不同身体运动事件和视觉行为的时间进行了测量和分析。结果表明，在执行这项高度紧张的任务时，起跑前运动事件的可变性显著降低。这些发现揭示了在跑步开始之前的感知-运动对话。这项研究为了解 4× 100 米接力赛中预测技能的基本机制迈出了第一步；它是部署VR 训练方案的初步步骤。

亮点

虚拟现实技术是鉴定和优化高水平运动员预判技能的有力工具。它不仅可以控制和操纵进行训练的环境，还能精确描述所产生的行为。

这项研究揭示了高水平 4× 100 米接力运动员的预测行为是建立在感知和行动之间的密切对话基础之上的。比赛的精确开始反映了运动员根据其伙伴的信息调节其准备动作的能力。

对运动员产生的感知-运动行为进行分析，不仅可以发现运动员具有很强的预测能力，而且还能发现个体之间存在着显著的差异。这一结果为设计和实施个性化训练方案提供了依据。

1 简介

4× 100 米田径接力赛的成绩取决于运动员在整圈跑道上最大限度地提高接力棒速度的能力。每个运动员的跑步速度是由生理决定的，但他们通过尽量减少速度损失来优化接力棒传递的能力同样重要。运动员需要高度发达的预判能力，以准确评估同伴的接近情况，并做出起跑动作，使接力棒能够在理想的条件下传递。在进一步说明之前，有必要对传递接力棒所涉及的任务限制进行精确描述。对于接棒的运动员来说，传棒阶段包括在接棒人垂直通过地面上的白色标记时开始跑动，以便能够在传棒区结束前全速接棒。标记的位置取决于接棒运动员的加速能力和传棒运动员的假定速度，以优化速度交换（Boyadjian 和 Bootsma，1999 年）。

许多研究都侧重于通过数学建模分析运动员之间的协调性（Hsu，2014；Masedu & Angelozzi，2008；Ward-Smith & Radford，2002；Zarębska 等人，2021）。据我们所知，只有一项研究调查了4× 100 米接力所涉及的感知运动过程（Boyadjian和 Bootsma，1999 年）。在这项研究中，作者发现在地区水平上练习的运动员能够根据同伴的接近速度调整起跑时间和加速度。然而，尽管这项研究提供了重要的信息，但它不仅没有把重点放在精英运动员群体上，而且所选择的分析水平也无法探究其背后的过程。相反，本研究通过对比赛开始前的不同步骤进行精确的时序分析，使这一研究成为可能。

据我们所知，目前还没有研究重点关注顶级运动员在接力棒传递过程中的起跑特征。通过对法国 4× 100 米接力队运动员进行初步研究，可以确定在后脚抬起之前系统发生的一些事件（Ste-fanuto等人，2023 年）。举例来说，在跑步开始（教练确定为后脚抬起时）之前，会有一个被教练称为 "波浪 "的准备动作（在前后移动中降低重心），随后是与运动员收集同伴信息的最后时刻相对应的目光释放。以运动员越过标记为参照，对这三个事件（即起波、目光释放和抬脚）的时序（平均值和可变性）进行精确分析是值得的。

这项研究是一个项目的一部分，该项目旨在利用虚拟现实工具来描述和优化法国4􀀁 100 米接力队运动员的预判技能，以期参加 2024 年奥运会（Montagne 等人，2024 年）。出于各种原因，使用虚拟现实技术开展这项研究是必要的。首先，虚拟现实技术可以克服运动员无法以最快速度重复跑以及难以预先精确记录运动员在赛场上的行为等限制。更重要的是，使用虚拟现实技术可以精确控制执行任务的环境（运动员的接近速度、标记的位置、有无竞争对手等），这有利于研究潜在的预测过程。为此，19 名来自法国国家队的男女运动员通过头戴式显示器（HMD）置身于法兰西体育场的数字复制品中，并被要求在其同伴的数字双胞胎接近时尽可能精确地启动跑步。通过使用动作捕捉传感器，我们提取了三个事件（挥手启动、目光释放和抬脚）的发生时间以及目光行为，以期尽可能精确地描述所实施的预期行为。据我们所知，这项任务还从未进行过如此详细的研究，为了了解这项任务，我们首先进行了全局分析。此外，由于个体化在专家中至关重要（Morris-Binelli 等人，2021 年；Müller 等人，2023 年），因此还通过线性回归进行了个体分析。

我们不禁要问，这三个事件的发生时间在多大程度上是一种极其严格的预先确定的常规程序的一部分（参见 Tyldesley 和 Whiting，1975 年提出的操作时间概念）。在这种情况下，起浪的时间应该是抬脚时间的条件，而专业技能的特征就在于将起浪的可变性降到最低。然而，正如最近的研究表明的那样，我们可以假设这三个事件的时间会随着时间的推移在信息-运动紧密耦合的基础上进行调整（例如，沃伦，2006 年）。因此，视觉引导下的规程应能逐步调整时机，以优化抬脚时机。如果是这样的话，专业技能就在于能够减少三个事件中的可变性，从而使抬脚时的可变性最小。无论如何，我们认为，为了优化高水平运动员的表现，我们必须准确了解所实施的过程，以便能够提供最有效的训练计划。

2 方法

2.1 参与者

19名运动员（12名男性，平均年龄为20.58± 1.56岁，7名女性，平均年龄为24.8± 3.43岁）参加了实验。他们都是法国田径队的成员，参加过国内或国际比赛。他们之前没有使用这种 VR 设备的经验，视力正常或矫正为正常，没有受过伤。研究开始前，参与者已提交书面知情同意书。实验方案符合《赫尔辛基公约》，并获得了国家伦理委员会的批准（CER-STAPS IRB00012476-2023-01-03-237）。

2.2 虚拟现实装置

参与者沉浸在法兰西体育场的跑道上。虚拟场景由 Unity 软件（版本：3.2.0）构建，并通过 HMD 设备（型号：HTC Vive Eye Pro，视场角：0.5°）投射出来：HTC Vive Eye Pro，视场：110° ，图像分辨率：2160× 1200 像素）。脚和

骨盆位置由 HTC Vive 追踪器记录（空间分辨率小于 1 毫米，时间分辨率为 90 赫兹）。利用这些标记在虚拟世界中重建参与者的双脚，从而实现在虚拟起跑线上的精确定位。眼球运动通过集成在 HMD 中的眼球跟踪系统进行记录（1°空间分辨率，60 Hz 时间分辨率）。

2.3 任务

实验在一条 30 米长的室内田径跑道上进行，为运动员提供了足够的活动空间，避免了与物理世界发生碰撞的风险（图 1）。在虚拟赛道的第四道上，参赛者站在接力棒传递区的起跑线上，等待他们身后 50 米处的虚拟伙伴。虚拟伙伴的运动捕捉是在项目开始时在田径跑道上使用无标记系统（Xsens MVN; Xsens Technologies B.V.，荷兰恩斯赫德）采集的（对象是法国国家队的年轻运动员，即不到 20 岁）。测试对象包括男性和女性运动员，在不同的赛道和位置（直道和弯道）进行运动捕捉；这样就可以建立一个动画库。虽然在本研究中接受测试的法国队运动员能够识别某些动画的运动轨迹，但由于他们不属于同一年龄组，因此没有一起参加比赛。在每次试验开始时，搭档的头像（图 2A）以恒定的速度运行，为了与教练达成一致并尽可能反映真实地形，男子的直线速度为 10.8 毫秒，弯道速度为 10.5 毫秒（女子分别为 8.4 毫秒和 7.6 毫秒）。鉴于两种情况下的数据没有明显差异，因此进行了合并。在化身和他/她之间的跑步道上的地面上放置了一个走标，范围为 7.6-8.4 米，这相当于在交换箱末端交换接力棒所需的理论距离。这些速度和距离值是个性化的，由训练员根据训练期间收集的数据提供。参与者被要求在其同伴（虚拟骨盆位置）越过前进标记的精确时刻开始跑步（通过抬起后脚来实现）。起跑后，参与者必须立即以 3/4 步的速度减速。然后，参与者可以返回起跑线，等待新的试验开始。

2.4 程序

实验分为两个区块：

在第一阶段，运动员在定性和定量反馈的情况下完成了 10 次校准试验。误差值显示在虚拟地面上，当表现超出范围或在范围内时（± 50 ms，以头像的骨盆垂直穿过标记为参照），反馈的颜色分别为红色或绿色。这个范围代表教练定义的一个容差区，在这个容差区内起跑不会影响接力棒的顺利传递。在第二阶段，运动员在没有反馈的情况下完成了 40 次实验，分为四次，每次 10次。

在每个环节之间，参与者可以休息 3 分钟，在此期间他们可以取下 HMD 并坐下。最后，实验前后，他们填写了一份可接受性问卷，这将在另一项研究中讨论。

2.5 | 数据处理

为了在尽可能接近现实的条件下描述专家的行为特征，只对没有反馈的第二个区块进行了数据分析。在起跑任务中，有三个关键时刻值得关注（图 2B）：

- 起波：这一动作相当于降低质心。这是起跑前的准备动作。我们使用骨盆上的 Vive 跟踪器计算质心开始移动的时间。原始位置数据采用双通巴特沃斯低通滤波器（截止频率：2 Hz；阶次：3）。为检测波的起始时间，算法首先识别 y 位置的最小值，然后识别运动前的稳定阶段。每位参与者的起波时间计算为起波时刻与舞伴越过标记时刻之间的平均差（以毫秒为单位）。波浪起始值越低，表示该事件发生的时间相对于同伴越过标记的时间越早（例如，-1500 毫秒为同伴头像到达前进标记之前的时间）。

- 目光释放：这一事件接近于跑步开始，相当于运动员的视线从头像转向别处的时刻。来自 HMD 旋转传感器的偏航速度通过双通巴特沃斯低通滤波器（截止频率：2 Hz；or-der：3）进行低通滤波，并跨时间计算。为了检测凝视释放，该算法首先识别最大负偏航速度值（从位置得出），然后识别头部旋转之前的稳定阶段。为了避免检测到与有效启动无关的头部运动，最大负偏航速度的检测是在抬脚前后± 200 毫秒的时间窗口内进行的。每位受试者的注视释放时间计算为注视释放时刻与同伴越过标记时刻之间的平均差（以毫秒为单位）。目光释放的数值越小，这一事件发生的时间越早。

- 抬脚抬脚是性能的主要标志。当后脚（Vive 追踪器的中心点）从围绕脚中心的虚拟球体（直径 20 厘米）中抬起时，Unity 会直接对其进行识别。虚拟球体的位置在每次试验开始时重新设置。为了描述表现，我们计算了每位参与者和每个区块的三种错误类型：

1.恒定误差，相当于脚抬起的瞬间与舞伴越过标记的瞬间之间以毫秒为单位的平均差。负值和正值分别对应起步早或晚。必要时，该值还用于在每次试验后向运动员提供即时反馈（第一区块）。

2.绝对误差，即抬脚瞬间与伙伴越过标记瞬间之间以毫秒为单位的平均绝对差值。

3.可变误差，相当于常数误差的平均标准偏差。

为了分析这三个关键事件在运动员内部和比赛之间的变异性，除了抬脚的可变误差外，我们还计算了每位参赛者波开始和凝视释放发生时间的标准偏差。我们还计算了抬脚的可变误差和绝对误差之间的线性相关，以评估最终运动项目的可变性与成绩之间的联系。

对视觉策略的分析可以为专业知识提供另一个标记（Hüttermann 等人，2018 年）。利用 HMD 集成眼动跟踪系统，我们计算了在预先确定的兴趣区域（AOIs）--伙伴、路径和走标（图 2A）中花费的时间百分比。分析是在目光释放前的 2 秒钟时间窗口内进行的。

2.6 统计分析

对三个关键事件（即起波、凝视释放和抬脚）的发生时间及其变异性（运动员内部-试验间）进行了重复测量方差分析（ANOVA）。运动员之间的变异性也通过事件发生平均时间的标准偏差来评估。

最后，我们使用线性相关法比较了主要观察到的两个 AOI，从而描述了视觉策略。统计分析使用 JASP（0.18.3 版）进行。每个变量的数据均通过 Shapiro-Wilk 检验确认为正态分布，必要时对方差分析结果进行Greenhouse-Geissner 球形校正。事后分析采用 Bonferroni 检验，显著性阈值定为 p <0.05。应该注意的是，没有数据缺失。

3 结果

3.1 | 时序错误

对抬脚误差的分析表明，平均绝对误差为 82± 32 毫秒。此外，对平均恒定误差的分析凸显了运动员的不同行为。一些运动员起步较早（最早的运动员平均起步时间为-89 毫秒），而另一些运动员起步较晚（最晚的运动员平均起步时间为+ 85 毫秒；图 3A）。第一个结果很有意思，原因有二：首先，这些结果表明，考虑到任务的高时空限制，运动员的表现水平相当不错（79% 的运动员的平均绝对误差低于80 毫秒）。其次，这些数据表明，通过训练计划仍可对成绩进行优化和均匀化，使所有运动员的成绩都能达到教练规定的范围，而这正是本项目的目的所在。

3.2 事件年表

如图 3B 所示，波开始平均发生在同伴越过标记前 2078 毫秒（-2078 毫秒），然后是目光释放（-457 毫秒）和脚抬起（10 毫秒）。方差分析证实这三个事件发生在不同的时间（F(2, 18) = 68.08; p < 0.001; ηp2 = 0.791）。后验比较显示，波开始的时间早于注视释放（-1621 ms；p < 0.001）和脚抬起（-2088 ms；p < 0.001）的时间。尽管注视释放和抬脚的时间相近，但注视释放比抬脚早（-0.467 ms；p < 0.05；图 4A）。

3.2.1 | 运动员内部差异

对运动员队内和队间变异性的分析表明，比赛项目具有显著的主效应（F(2, 18) = 53.08；p < 0.001；ηp2 = 0.747；图 4B）。波启动的变异性（452± 222 ms）高于凝视释放的变异性（86± 36 ms；p < 0.001）和脚抬起的变异性（81± 29 ms；p < 0.001）。相反，凝视释放和抬脚的变异性之间没有明显差异（p = 0.908）。绝对误差和可变误差之间呈正相关（R = 0.935；p < 0.001；图 4C），这表明抬脚时间变化最小的运动员将是表现最好的运动员。

3.2.2 | 运动员之间的差异

结果还显示，运动员之间在每个事件出现的时间上存在差异，随着时间的推移，这些差异逐渐减弱（图 3B 和 4A）。换句话说，不同运动员的起始波出现时间差异很大（± 976 ms）；这种差异在凝视释放时有所减小（± 107 ms），而在抬脚时则变得很小（±46 ms）。

3.3 视觉策略

运动员的视觉行为主要集中在两个感兴趣的区域：伙伴和路径。对这两个感兴趣区域的视觉锚定占所观察到的全部视觉行为的 98%。运动员将 42± 27% 的时间用于关注同伴，将 56± 26% 的时间用于关注路径。在运动员身上观察到的视觉行为的巨大多样性可以用这两个AOI 之间的负相关来概括（R = -0.99; p < 0.001; 图 5）。一些运动员的注意力集中在路径上（高达 98.9%）或同伴上（高达 87.7%），而另一些运动员则表现出两个 AOI 之间的视觉行为平衡。尽管运动员之间的差异很大，但在标记处的视觉锚定却微乎其微（1.4± 1.8%）。

4 | 讨论

这项研究的目的是描述顶级 4× 100 米接力运动员的预测行为。借助身临其境的 VR 环境，通过分析不同运动事件的时间和实施的视觉策略，运动员的行为得以客观化。综合来看，研究结果表明，尽管受到各种限制，运动员仍能达到很高的精确度。这些结果还表明，尽管个体之间在行为和信息收集策略方面存在巨大差异，但由于在跑步开始前对动作进行了持续调整，运动员仍能达到这种精准度。

4.1 性能

考虑到任务的时空限制，运动员与其虚拟伙伴表现出了高度的协调性。他们中的大多数人都能在同伴越过前进标记的 80 毫秒范围内启动跑步。这一发现被认为是感知-运动功能调节的结果（Boyadjian和 Bootsma，1999 年）。

4.2 | 关键项目的运动员内部（试验间）变异性

对运动员内部（试验之间）变异性的检查显示，虽然在不同试验之间，起跑波的变异性很大，但凝视释放和抬脚的变异性要小得多。这种可变性的降低反映了感知与运动对话的密切实施，使运动员能够调整他们的准备动作，使他们能够在正确的时间起跑。体操运动员（Bardy 和 Laurent，1998 年；Lee 等人，1992 年）、乒乓球运动员（Bootsma 和 van Wieringen，1990 年）或跳远运动员（Lee 等人，1992 年）已经证明了高水平运动员在高度紧张的任务中利用所掌握的信息进行功能性动作调整的能力。很明显，接力中的预测并不是在正确的时间启动波浪，从而执行标准化的运动序列（Tyldesley 和 Whiting，1975 年），而是调整准备动作，以便利用伙伴接近标记的相关信息，在正确的时间启动他们的跑步（Warren，2006 年）。在这种情况下，最后两个项目（即目光释放和抬脚）同样多变的事实就不那么令人惊讶了，因为目光释放相当于运动员收集其搭档信息的最后时刻。

虽然所有运动员从动作开始到脚抬起的可变性都有所降低，但绝对误差和可变误差之间的线性相关表明，最好的运动员是那些在脚抬起时间上可变性最小的。这一结果证明了调节过程的重要性，对于最优秀的运动员来说，调节过程能带来最大的最终稳定性。在优秀运动员身上观察到的这种准确性和精确性与许多研究结果一致，这些研究强调了优秀运动员从高度多变的动作开始到以非常稳定的表现结束的能力（Seifert 等人，2013 年）。

4.3 | 运动员之间的差异

这项研究的第二个主要结果是，无论是在事件发生的时间顺序上，还是在视觉搜索模式上，在不同运动员之间观察到的行为差异都很大。波浪启动的时间就很好地说明了这种巨大的变异性，波浪的平均启动时间从-4 秒到-1 秒不等，以同伴通过标记为参照。有趣的是，运动员之间的差异在目光释放时明显减小，而在脚抬起时则更大，这反映出不同的策略被用于实现相同的目标（即在适当的时间启动运行）。同样的观察结果也适用于与视觉瞄准模式有关的结果。我们的研究结果表明，运动员更倾向于将注意力集中在泳道和/或同伴身上，而不是标靶上，除此之外，研究结果还揭示了运动员偏好的视觉瞄准模式的多样性，从运动员集中在两个感兴趣的区域中的一个，到运动员将时间分配在两个区域之间。对同伴的固定可以比作眼窝点策略，它提供了对接近同伴的运动的精确视觉（Vater 等人，2020 年），而对泳道的固定和对标记的少量固定可以鼓励获取外围的视觉信息（Limballe等人，2022 年）。总之，所述行为的异质性必须与运动员的特殊性（生物力学、生理和心理）相联系。确定最有效的策略超出了本研究的范围，但值得在今后的研究中加以探讨。

4.4 | 结论

我们的研究是利用身临其境的逼真 VR 设置来描述精英运动员在 4× 100 米接力赛中的预测行为特征的第一步。这项工作使我们能够确定所实施过程的轮廓，不仅揭示了所实施行为的显著差异，还确定了优化高水平运动员成绩的途径。然而，最近的研究表明，全局方法可能会导致对行为的误解（Morris-Binelli 等人，2021 年；Müller 等人，2023 年）。在群体层面进行的观察可能会掩盖个体的特殊性。虽然在整体层面上的初步工作对于理解任务是必要的，但因此，理解 4× 100 米接力运动员的感知-运动过程的工作必须通过个体方法进行。为此，有必要对更多的运动员进行评估，并找出典型的特征。在最高水平的运动表现中，考虑个体间的差异至关重要，因为在这种情况下，某些建议需要准个性化。

然而，要准确描述行为特征，确保虚拟现实忠实再现真实世界的特征是一个核心问题。该模拟器是与最熟悉其限制因素的人员（运动员和教练员）合作，通过迭代共建过程开发出来的。虽然项目第一阶段的接受度测量表明，运动员和教练员对该工具的看法非常积极，但佩戴头盔可能会影响运动员的行为。在 VR 中感知到的速度、HMD 的视野或 VR 设置固有的移动限制都可能造成与现实的差异。因此，VR 工具的验证以及将技能转移到现实世界是项目下一阶段的关键步骤。使用无线HMD 进行的进一步研究将使我们能够更好地了解基本过程，从而提出旨在优化这些过程的 VR 培训方案。

图 1实验装置示意图。起始位置的运动员配有 HMD 和 3个跟踪器（2 个在脚上，1 个在骨盆上）。

图 2 (A) 投影到 HMD 的视图截图。参与者必须在虚拟伙伴越过前进标记时准确地抬起脚。(B)抬脚前的典型运动学序列。这三个运动事件的时间是通过 HMD 和Vive 追踪器传感器测量的。HMD，头戴式显示器。

图 3 (A) 相对于同伴越过标记的时刻（虚线），每位参与者的平均抬脚误差。(B) 相对于同伴越过标记的时刻，每个事件（蓝色为波浪启动，红色为目光释放，绿色为脚抬起）的发生时间。水平误差条代表每个事件在不同运动员之间的变化率，垂直误差条代表每个事件的平均变化率（不同试验之间运动员内部的变化率）。

图 4三个运动项目的运动员之间（A）和运动员内部（B）变异性的详细表示。(C）绝对误差和可变误差之间的线性相关。变异最小的运动员的计时误差较小。**P < 0.001；*P < 0.05。

图 5花在 AOI 路径上的时间与 AOI 伙伴之间的线性相关。这两个AOI 有力地解释了所有参与者使用的视觉策略。AOI：感兴趣的区域。