Scheda studio

Sensori indossabili e gesto dell'arciere: Liu 2025

A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation

Xianghe Liu, Jiajia Liu, Chuxian Xu, Minghan Wang, Hongbo Peng, Tao Sun, Jiaqi Xu2025

Citazione

Liu, X., Liu, J., Xu, C., Wang, M., Peng, H., Sun, T., & Xu, J. (2025). A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation. arXiv. https://doi.org/10.48550/arxiv.2511.14057

Cita lo studio
APA

Liu, X., Liu, J., Xu, C., Wang, M., Peng, H., Sun, T., & Xu, J. (2025). A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation. arXiv. https://doi.org/10.48550/arxiv.2511.14057

BibTeX
@article{liu2025machinelearning,
  author = {Liu, Xianghe and Liu, Jiajia and Xu, Chuxian and Wang, Minghan and Peng, Hongbo and Sun, Tao and Xu, Jiaqi},
  title = {A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation},
  year = {2025},
  journal = {arXiv},
  doi = {10.48550/arxiv.2511.14057}
}

Scheda tecnica

Disegno
Metodologico
Popolazione
Arcieri
Livello
Giovani
Disciplina
Non dichiarata
Numero di soggetti
6
Tipo
Preprint
Lingua
Inglese
Revisione tra pari
No
Sede
arXiv

Cosa ha misurato e cosa ha trovato

Un'azienda di Pechino che produce sensori indossabili ha messo un proprio braccialetto al polso dell'arco di sei arcieri adolescenti (4 ragazze e 2 ragazzi, età media 15,5 anni) in condizioni di gara ufficiale, e ha provato a usarne i segnali per due scopi diversi: riconoscere in automatico le fasi del tiro e stimare quanto l'arciere si sentisse sotto pressione.

Per le fasi, una rete neurale di tipo LSTM che leggeva soltanto le tre componenti dell'accelerazione distingueva le finestre con dentro un tiro completo con un'accuratezza dell'84,53%. Aggiungendo l'accelerazione totale e una sua variazione smussata, che gli autori chiamano SmoothDiff, l'accuratezza è salita al 95,99% (F1 95,95%), e una variante bidirezionale della rete arriva al 96,80%. Quando però si misura quante singole finestre vengono classificate nel modo giusto in condizioni simili all'uso reale, il valore scende al 75%.

Per lo stress, dodici classificatori diversi hanno cercato di separare le volée giudicate dall'arciere a stress alto da quelle a stress basso, partendo dalla variabilità della frequenza cardiaca. Le accuratezze vanno dal 68 all'82%. Il modello scelto, un percettrone multistrato (MLP), si ferma all'80% (F1 75%) e al 77,11% sui dati tenuti da parte; la regressione logistica e l'analisi discriminante lineare arrivano all'82%, quindi fanno un po' meglio del modello che il preprint mette in evidenza.

Come è stato misurato

Il braccialetto (Ergosensing, sviluppato dagli stessi autori) registrava a 20 Hz un accelerometro a tre assi e un sensore ottico a luce verde (fotopletismografia), da cui si ricavano i battiti. Tutto si è svolto in un solo giorno, in una gara a volée di tre frecce; il numero di volée cambiava da un arciere all'altro, perché chi passava il turno tirava di più. Lo sperimentatore segnava su un tablet l'inizio e la fine di ogni volée, la trazione e il rilascio; poi, guardando il grafico dell'accelerazione, ogni tiro è stato ritagliato a mano in trazione, mira e rilascio, con la fine del rilascio fissata al primo picco del segnale. Alla fine di ogni volée l'arciere dava un voto da 1 a 5 alla tensione provata: da 1 a 3 è diventato stress basso, 4 e 5 stress alto.

Per riconoscere le fasi il segnale è stato diviso in finestre di 4 secondi (80 campioni) che avanzavano di un secondo; una finestra contava come tiro se più di metà dei suoi punti cadeva dentro un tiro annotato, e le finestre senza tiro, molto più numerose, sono state ridotte mentre quelle con il tiro sono state moltiplicate. Per lo stress le finestre erano di 30 secondi, e da ciascuna sono stati calcolati frequenza cardiaca, SDNN, RMSSD, pNN20, pNN50, potenza ad alta frequenza e totale, SD1, SD2 ed entropia campionaria. In entrambi i casi i dati sono stati divisi in 70% per l'addestramento e 30% per la prova.

Il metodo, spiegato: Come si cronometrano le fasi del tiro, Come si misura la mira negli studi sul tiro, Come si misurano frequenza cardiaca e HRV negli arcieri

Limiti

Sei arcieri, una giornata, nessun numero di frecce o di volée dichiarato: è un prototipo, e il preprint non è passato per la revisione tra pari. Il punto debole più serio sta nella divisione dei dati, fatta senza dire se le finestre dello stesso arciere o della stessa volée finissero sia nella parte di addestramento sia in quella di prova. Con finestre che si sovrappongono per tre quarti e solo sei persone, è probabile che il modello sia stato provato su segnali quasi uguali a quelli che aveva già visto, e in quel caso le accuratezze ne escono gonfiate. Anche il dato sui «dati tenuti da parte» non è spiegato.

Le cifre non combaciano del tutto: il riassunto attribuisce il 96,8% alla LSTM, mentre la tabella lo dà alla variante bidirezionale, e la LSTM si ferma al 95,99%. Lo «stress» è un voto dato a fine volée, cioè ogni tre frecce, mentre le finestre del battito durano 30 secondi e quindi contengono anche il tempo tra un tiro e l'altro. Aggiungo un rilievo mio, non degli autori: un sensore ottico a 20 Hz prende un campione ogni 50 millisecondi, una risoluzione grossolana per misurare differenze di 20 millisecondi tra un battito e il successivo come quelle di pNN20. Infine nessuna misura riguarda il punteggio, quindi non si sa se le volée giudicate più stressanti fossero tirate meglio o peggio.

Cosa vuol dire per chi tira

Per chi tira oggi lo studio non cambia nulla: non riguarda la tecnica né il punteggio, e il braccialetto non è uno strumento di allenamento validato. Quello che mostra è che un accelerometro al polso dell'arco distingue bene le finestre che contengono un tiro dal resto del tempo passato in pedana. La divisione del tiro in trazione, mira e rilascio è descritta nel metodo, ma la sua precisione non viene misurata. È un primo passo per contare in automatico i tiri o misurare i tempi di mira, cose che oggi un allenatore segna a mano o ricava dal video.

Sulla parte dello stress serve più cautela. Un classificatore che indovina otto volte su dieci se l'arciere si dichiarerà più o meno teso, su sei ragazzi e con una divisione dei dati che probabilmente favorisce il modello, non è ancora un indicatore affidabile in gara. Per chi usa già un orologio che stima la variabilità cardiaca, questo lavoro non basta a trasformare quel numero in una misura della tensione mentale durante una volée.

Nel registro

Le affermazioni in cui questo studio è un'evidenza, con la sua posizione e lo stato attuale.

Articoli che lo usano

Filone di ricerca

Stesso filone

Cita questa scheda
APA

Campagna, M. (2026). Scheda studio: A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation. In Registro delle evidenze. matteocampagna.com. Consultato il 16 ottobre 2026, da https://matteocampagna.com/evidence/liu-2025-machine-learning

BibTeX
@misc{campagna2026_evidenceliu2025machinelearning,
  author = {Campagna, Matteo},
  title = {Scheda studio: A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation},
  year = {2026},
  howpublished = {Registro delle evidenze, matteocampagna.com},
  url = {https://matteocampagna.com/evidence/liu-2025-machine-learning},
  note = {consultato il 2026-10-16}
}