高尔夫挥杆动作教学专家系统之研制.doc

義守大學工業工程與管理學系畢業專題成果發表研討會高爾夫揮桿動作教學專家系統之研製李俊翰 黃馨弘 蕭雅雯 傅裕中義守大學工業工程與管理學系高雄縣大樹鄉學城路一段一號 聯絡人：.tw1義守大學工業工程與管理學系畢業專題成果發表研討會摘要國內目前少有高爾夫球揮桿動作之教學系統的研究，而初學者在學習時多是藉由動作模仿來習得揮桿技術，進而提昇發展出自己的揮桿方式，故希望可推展研發出一學習專家系統，針對初學者的揮桿姿勢與專家姿勢做一分析比對，由電腦程式分析其差異，並建議動作之修正，以期讓不能掌控自己肢體動作與重心位移之初學者，能以較佳揮桿姿勢揮出漂亮的好球，並減少因不正確姿勢所引起的肌肉或關節病痛。本研究首先利用Camals及Golf Achiever軟體(友聲電子有限公司，高雄)擷取國內數名高爾夫球選手全揮桿動作，並分析得關節角度與擊球距離、桿速，用以建立誘導式歸納途徑法之資料庫。將上述之資料庫建構完成後，便將其當成誘導式歸納途徑法之訓練範例。在本研究中，假設影響揮桿姿勢之變數為人體的基本資料(包括身高、體重、左右手平均長度、左右手肌力值及桿長、桿速、擊球距離等八個輸入變數)，將其當成誘導式歸納途徑法之輸入變數。而輸出值則是以身體各部位之關節角度，作為評估預測準確度之標準。之後建立一關係預測模式，便可預測得到受測者做全揮桿動作時較合適之揮桿姿勢及角度，最後建構一套高爾夫揮桿動作教學專家系統，便可依此改正受測者不正確之揮桿動作與關節角度，以達教學之目的。本研究所建立之國內高爾夫專家揮桿資料庫，目前已具備完整之雛形，而所建構之專家系統，經過多項測試之後，均顯示此系統較非專家之資料系統能修正受測者之揮桿姿勢，期望將來此系統在運動傷害防治上能有所成就。關鍵字: 高爾夫、動作分析、教學、專家系統 一、緣由與目的緣由：高爾夫球運動近幾年來在台灣有普及化的趨勢，在各大專院校亦為一熱門之體育選修科目，不再是所謂的貴族運動。隨著老虎伍茲（Tiger Woods）在高球運動的崛起，創下許多傲人的成績，例如：21歲時，以12桿的佳績，勇奪美國名人賽的冠軍，再者國內高爾夫球的運動人口在各界人士的推動下更是蓬勃發展，高爾夫球選手之水準也日益提昇，因而帶動各種有關高爾夫球揮桿動作姿勢之研究，但也僅止於經驗相傳或書面論作，因此出現各種不良姿勢所引發的疾病如：高爾夫球腿、高爾夫球肘、韌帶拉傷及背痛症等，造成許多優秀的選手運動生涯必須停滯或終止，這實在是令人遺憾的事，因為這是可以避免的。高爾夫球在揮桿技巧方面是很重要的。高爾夫球是一種揮桿擊球的運動，但常為了要打到球而忽略了揮桿的動作；雖然有時打到球，但球的方向卻不一定正確，所以想要擊出又準又遠的球，必須具備充分的節奏感及協調性，配合適當的重心轉移及全身扭轉動作才能擊出一個漂亮的好球。在高爾夫球揮桿過程中，適當的重心位移，正確的重量分配，是打好高爾夫之關鍵因素之一(陳邦賢2，民89)；James Richards等人9 (1985)曾分析高技術水準者與初學者之重心移轉，結果發現高技術水準者其重心相當穩定，比較不會將太多重心落在前腳踝處(以右打為例，前腳是指靠近果領之左腿)；就全揮桿而言，固然需要一個穩固的站姿，不同的站立方法對於推桿成績之效果，並不達顯著差異(Gott E. & McGown C.5，1988)，站姿主要是提供身體穩定及舒適的基礎，以便於揮桿。對於工廠操作員的動作之工作研究，可運用吉爾博斯夫婦在1912年提出的影片分析之細微動作研究，將影片的動作一一分析，以消除無效的動作，並尋求較經濟之道。在網球方面，Brody 4在1987年指出透過高速攝影可以進行動作型態分析，反覆檢視動作的過程與產生的效果，並且可以發現當中的物理運動過程並探討其中有關的網球技術。接著，Groppel 3也在1992年同樣說明了網球科學研究者，可透過高速攝影來了解與分析選手的發球、接發球及各項擊球的動作分析來幫助選手了解動作的技術特性，可以避免不當的動作，造成運動傷害，並可了解動作特性，加以分析修正，發揮動作技術的效力和效率。接著，Groppel 6也在1992年同樣說明了網球科學研究者，可透過高速攝影來了解與分析選手的發球、接發球及各項擊球的動作分析來幫助選手了解動作的技術特性，可以避免不當的動作，造成運動傷害，並可了解動作特性，加以分析修正，發揮動作技術的效力和效率。高爾夫球運動中，揮桿技巧是最大的樂趣來源之一，良好的揮桿技巧也是提升成績及預防傷害的保證。然而綜觀揮桿技術的發展，除了教練、同好、書籍及雜誌之外，還有盛行全球的衛星轉播、第四台、錄影帶等。因此，資料的找尋並不困難，但如何判斷資訊的好壞並加以學習納為己用，以提昇自我高爾夫球技術水準，才是令人頭疼的問題。而且，當前的教科書、教練在指導選手時都各自有一套不盡相同的教法，無法滿足學習者想獲得充分資訊與選擇的需求。 很多研究顯示，大部分的電腦輔助學習具有學習效果(邱貴發1，民81；Kulik & Kulik, 781987&1991)，專家系統基本上是一個智慧型電腦程式，可以利用知識表示和推理程序去解決需要人類知識才能解決的問題；專家系統的結構，其中知識庫儲存專家知識，而推理機則用以控制解決問題時的推理策略；利用專家系統可提供最佳之解決方案。高爾夫球運動傷害，亦是近來研究重點之一。226位高球選手，393個受傷部位，主要受傷部位分別是下背痛、左手腕及左肩部位(McCarroll and Gioe，1982)，故利用動作分析方法，開發一本教學專家系統來糾正其揮桿姿勢，期能提供初學者之揮桿技術，並達到預防運動傷害之目標。目的：1.得到國內專家揮桿資料庫2.建立專家教學系統3.減少運動傷害 二、研究方法1. 動作擷取及數值量測邀請國內20名高爾夫球選手，利用兩台CCD攝影機和CAMALS軟體擷取專家揮桿動作之影片，並分析取得專家擊球時之揮桿角度，以及使用Golf Achiever量測系統取得擊球距離、球速和桿速，用以建立國內專家揮桿動作之資料庫，並以此為誘導式歸納途徑法 (AIM) 之資料庫。 CAMALS (電腦輔助動作分析學習系統) CAMALS全名為Computer Aided Motion Analysis Learning System是由友聲電子有限公司( You-Shang Technical Corp. )所開發；它是一套電腦輔助動作分析學習系統，利用先進的電腦科技，配合高速攝影機，以提供擊球者精確的影像擷取，並準確記錄揮桿過程，其自動錄影觸發功能，只要選手揮桿擊球時，CAMALS就會自動擷取影像，再加上雙攝影機的運作模式，不管是身體的正面或側面的每一部份的轉動，均能再次重現。在本研究之動作擷取及數值量測這個步驟中，主要是利用CAMALS角度分析的功能，擷取擊球瞬間八個關節角度作為本組研究之輸出變數。各個相關角度的擷取準則如下：角度1：揮桿所造成身體的扭轉，使得腳跟自然抬起，與水平地面所形成的夾角。角度2：膝蓋因揮桿所引起的彎曲角度，利用腰部關節、膝蓋及腳踝三處連線所形成的夾角。角度3：腰部彎曲的角度，由脊椎與腰部關節至膝蓋的連線所形成的夾角。角度4：手肘彎曲的角度，由肩部關節、手肘及手腕等三處的連線所形成的夾角。角度5：上臂與軀幹的夾角，由手肘至肩部關節連線與肩部關節至腰部關節的連線，所形成的夾角。角度6：眼睛注視球位置與水平地面的夾角。角度7：球桿至手腕與垂直地面的夾角。角度8：雙手握桿時，兩手臂與手腕所形成的夾角。角度1 角度6擷取側面影像，角度7與8擷自正向面影像。圖1、各關節角度 Golf Ahiever (FOCALTRON Co，Santa Clara ) 此設備乃是利用兩道紅外線的光束所產生的一個光面來取得擊球瞬間時，球飛行的仰角及球旋轉的速率與偏向，與球桿的速度及球速，來估計球飛行的距離與飛行的軌跡，利用此設備可讓我們取得本研究所需之訓練資料，如擊球距離、球速與球桿速度。Golf Achiever 並可針對揮桿時所使用的球梯、球桿、風向、草地特性的不同來作調整，可以模擬出真實情況的揮桿情形，其誤差範圍在直徑十碼以內。 肌力量測設備(LAFAYETT INSTRUMENT，INDIANA)本組主要利用此設備取得研究所需之肌力量測資料，左右手各測一次，最大可量測至100公斤。2. 誘導式歸納途徑法(AIM)之應用在進行研究之前，我們必須先假設輸入變數與輸出變數之間存在某一種關係將步驟一所述之資料庫建構完成後，便將其當成誘導式歸納途徑法之訓練範例。在本研究中，假設影響揮桿姿勢之變數為：人體的基本資料(包括身高、體重、左右手平均長度、左右手肌力值及桿長、桿速、擊球距離等八個變數）當成誘導式歸納途徑法之輸入變數，而其輸出值則是以身體各關節部位之角度，作為評估預測準確度之標準。 AIM操作介面與實作步驟（1）建立資料庫將所蒐集到的選手揮桿資料建檔；檔案中包含選手之身高、體重、手臂長、雙手肌力值，及選手在擊球點之各相關關節角度與所擊出之球速、桿速與球距，每位選手分別以2號木桿及3、5、8、9號鐵桿，各揮擊三次，共15次，並將資料儲存成副檔名為txt之文字檔案，如圖2所示。圖2、AIM資料庫Num：編號1-2-1，為第一位選手以2號木桿第一次揮桿之資料。Long：球桿長度，2號木桿為37英吋、3號鐵桿為33.5英吋、5號鐵桿為33英吋、8號鐵桿為31.5英吋、9號鐵桿為31英吋。H.：Height，選手身高。W.：Weight，選手體重。HL.：選手之手臂長度。PL.：選手之左手肌力值。PR.：選手隻右手肌力值。CSpeed：球桿速度。Dist：擊球距離。BSpeed：球速。A1A8：角度18。（2）輸入AIM軟體圖3為AIM之軟體介面，選擇File選項中的Import New，輸入新資料庫。圖3、AIM軟體介面（3）開啟所建立之資料庫後，選取Data選項中的Name/Status，設定各變數之屬性。屬性有Input、Output及Unused三種，在本資料庫中，球桿長度、選手身高、體重、手臂長、左右手肌力值、球桿速度、擊球距離及球速為Input變數，而角度18為Output變數，Num資料編號為Unused變數。（4）選取Network選項中之Synthesize，開始運算，尋求Input與Output間的內在對應規則。（5）得到各Output變數之網路圖，即Output與Input的對應模式。如圖四所示，A1角度與High選手身高、Hlength手臂長、PowerR右手肌力值、 Long球桿長、PowerL左手肌力值等變數相關，而Triple、U則為AIM內在之運算函數。圖4、網路圖( 6 )查詢得到各角度的內在對應關係後，即可利用查詢的功能，輸入Input變數而得到輸出角度。三、結果與討論結果：本組所建構之專家系統，在綜合歸納出一誘導式歸納途徑法之後，為了解其是否能實際應用於各種狀況，並驗證此網路之良窳，我們分為兩部分來做驗證。第一部份將證實我們所建立的專家網路較初學者所建之網路為有效，首先本組將十一位專家分別抽離網路(每次一位)，以避免同為訓練資料與測試資料之窘況，然後重新訓練資料，得一新的專家網路(由十位專家資料所訓練)，且將六位初學者之資料也訓練成初學者網路（由六位初學者資料所訓練），而抽離網路的專家則作為測試網路效能的依據，將其分別輸入專家網路與初學者網路，紀錄各專家之各個實際關節角度與兩系統角度的差異。即絕對差平均值Mean of Absolute Deviation（實際關節角度減去網路所預測角度之絕對值稱為絕對誤差，將A1角度的所有絕對誤差相加，並除以揮桿次數，即可得A1角度的絕對差平均值），且再者由十一位專家分別執行專家網路之總MAD平均數信賴區間為 (131.09，243.11)，執行初學者網路之總MAD平均數信賴區間則為(161.41，417.57)，根據以上數據，我們可做如下推論，因專家網路之總MAD平均數的誤差界限小於初學者網路之總MAD平均數的誤差界限，故專家網路系統應優於初學者網路系統。本組為了驗證上述推論之正當性及可靠度，利用統計方法中之T-test為兩個系統做進一步的分析比較。所採用之檢定型式為左尾檢定，顯著水準定為0.05，計算所得之P-值為0.117174922=0.05，故reject H0。其結果表示專家網路系統總MAD之平均數，顯著地小於初學者網路系統總MAD之平均數。在前述的驗證過程中我們提到，專家在執行專家網路所得的總MAD之平均數，比執行初學者網路來的小。我們以第九位專家舉例說明，如下表一所示，九號專家執行專家網路（不含自己的資料所訓練出之專家網路），其所得到的各角度絕對差平均值都小於執行初學者網路之值，而更可從絕對差平均值之總合處看出兩者具有很大的差異量。為了與前述結果相呼應，本組再次對第九號專家進行T-test。所採用之檢定型式與顯著水準都與前述相同，計算所得之P-值為0.039663537=0.05，故reject H0。吾人由以上結果可得知，第九號專家執行專家網路系統總MAD之平均數，顯著地小於執行初學者網路系統總MAD之平均數。此結果與我們之前的驗證剛好不謀而合。表1、第九號專家執行初學者網路與專家網路之絕對差平均值NetA1A2A3A4A5A6A7A8總合初學者16.6617.7215.9342.8731.6713.623.884.32246.57專家13.4711.436.1220.6917.338.3217.395.48100.22第二部份則是驗證專家網路能提供準確的關節預測角度，在此部份我們同第一部份之方法，依序抽出一位專家，訓練出十一種不同的專家網路，後將所抽離的十一位專家，輸入各自的專家網路（不含自己的資料所訓練出之專家網路）中，分別與本實驗所蒐集的六位初學者做一比較，亦即將六位初學者輸入十一個不同的專家網路，比較兩者在同一專家網路所求得的擊球點關節角度，如果十一位專家之實際揮桿角度與網路輸出之最適揮桿角度，兩者間的絕對差平均值，明顯小於初學者的誤差，那就表示這個網路具有良好的可靠度，這是屬於反向思考的邏輯，因為前提是這十一位是專家，所以如果網路具有良好的可靠度，那上述結果必成立。同樣的我們以九號專家為例。於表二中我們可以發現，九號專家在執行其專家網路（不含自己的資料所訓練出之專家網路）所得的MAD，小於所有初學者執行此專家網路之MAD的平均。表2、所有初學者與九號專家執行專家網路（抽離九號專家）之平均絕對誤差值A1A2A3A4A5A6A7A8總和初學者27.115.4315.3876.0928.7416.8124.7614.98219.3九號專家13.4711.436.1220.6917.338.3217.395.48100.22 本組為讓使用者操做更快捷及方便，設計了一套”高爾夫教學專家系統”之操作介面，此介面不但可查詢出最適角度，並可依照使用者之最適角度搜尋與其最相近之專家影片，以便參照學習。高爾夫教學專家系統之操作介面主要是利用Visual Basic 6.0 軟體(Microsoft co，American)來設計、製作與撰寫，本介面主要可分為二部分，第一部份是做AIM軟體之連結，並且說明AIM軟體的使用方法，介面圖樣如下圖5：圖5、教學專家系統使用介面（一）於此介面上即可看到AIM軟體的操作步驟，以條例式說明讓使用者方便學習操作，按下執行鈕即可開啟AIM並進行操作，由於AIM軟體對於外部軟體並未支援，故需由使用者自行進入AIM操作之，以執行查詢動作，如下圖6所示：圖6、AIM使用介面第二部分的介面是依據第一部份所查詢出的個人最適角度，來搜尋與使用者揮桿姿勢最為相近的專家影片，如下圖7所示： 圖7、教學專家系統使用介面（二）使用者需在介面上輸入其八個個人關節角度，並選取所使用的球桿型號，在此部份，亦因AIM並未支援外部程式，故需由使用者自行輸入，而本實驗只針對2號木桿、3號鐵桿、5號鐵桿、8號鐵桿及9號鐵桿等五種球桿進行資料分析，故僅提供此五種球桿供使用者選取，選取之後，便搜尋與使用者關節角度最為相近的專家影片，於介面上的Microsoft Media Player進行撥放，此即為第二部分之介面。結合此二個介面，讓使用者在不同的個人基本特徵 ( 身高、體重、手臂長、肌力值 ) 、不同的球桿速度和不同的期望擊球距離下，得之各關節之最適角度且能透過影片的撥放來學習揮桿，達教學之目的。討論：本組在前段結果中之第一部份已證實，專家網路系統總MAD之平均數顯著地小於初學者網路系統總MAD之平均數，故我們可為此下一定義為:專家網路確為較初學者網路有效之擊球點關節角度預測系統。並由前段結果中之第二部份得知，本組所建構之專家網路的確能準確推測最適揮桿角度。在證實專家網路之效能後，我們更深一步的探討各變數與八個角度的相關性，即進行敏感度分析，首先建立一個由十一位專家所訓練出之最適角度預測網路模型，再於其中任選一位專家進行分析，本組以第九位專家為例；將專家的八個輸入變數（身高、體重、手長、桿速、左右手肌力值、距離、桿長）輸入所訓練的專家網路中，在輸入資料時，需固定其中七個變數，每次僅針對一個變數進行分析，而此一變數我們依據專家網路的上下限來變動數值，於範圍之內選取十筆資料進行測試，觀察其各角度之變化，繪製出一變數與各角度的趨勢關係圖，並探討各變數與八個角度的相關性；藉由此敏感度分析可瞭解在本實驗中的各個變數對角度所造成的影響，及影響變數之因子為何，舉例說明如下。一、在圖8、圖9中，可發現趨勢圖幾乎為水平線，隨著身高的增減並不會影響所輸出的膝(A2)與兩手(A8)最適角度，身高對於A2與A8角度幾乎是沒有影響的，此代表身高並非A2、A8角度的影響因子，但在其他的角度分析中，身高的影響仍是舉足輕重的，如圖10所示，身高影響A3角度。 圖8、身高與A2角度趨勢關係圖圖9、身高與A8角度趨勢關係圖圖10、身高與A3角度趨勢關係圖二、根據圖11、圖12，兩者皆有向上、向下之趨勢，圖11是擊球距離與A3角度的趨勢關係圖，隨著擊球距離的增加A3角度也逐漸減小，可知擊球距離是造成A3角度變化之其中一個因子，且是成反比的關係；圖12桿長與A8角度的趨勢關係圖，兩者具有正向關係，球桿長度越長相對的A8角度越大。圖11、擊球距離與A3角度趨勢關係圖圖12、桿長與A8角度趨勢關係圖在研究過程中，本組認為揮桿的良窳，其關鍵決定於揮桿瞬間之姿勢，故將揮桿瞬間之姿勢定為本組之研究重點。但由於攝影機在擷取畫面時，分割畫面的張數並不夠多，擷取速度不夠快，並不能夠準確的取得擊球瞬間的畫面，有時擷取得的畫面可能已在擊球過後，有時可能在尚未擊球之前，故吾人僅能盡量擷取靠近揮桿瞬間之圖片，而剛好角度A4(手肘彎曲的角度，由肩部、手肘及手腕所形成的角度)對此相當地敏感，所以造成角度A4 變動之範圍相當大，也出現了少數幾個較不合理的角度。不僅如此，有些專家在執行專家網路系統時，所得的擊球點角度之絕對誤差會比執行初學者網路來得大，探究其原因，應是由於某些專家揮桿動作具有獨特性所造成的差異，但此種獨特性可藉由日後專家人數的增加而改善。四、計劃成果自評本組所建構之高爾夫揮桿動作教學專家系統，經研究證明確實優於初學者的網路系統，而且在預測個人最適揮桿角度方面，也具有相當程度的參考的價值。並由姿勢之改善過程中，也間接減少了初學者在學習揮桿過程中，可能造成的運動傷害。然而這套高爾夫揮桿動作教學專家系統，仍有若干缺失待改進，如:設備之不足與受測的專家人數太少等。未來如果有研究人員繼續深入此研究，只要能解決攝影設備上的問題(擷取速度加快、影像分析的自動化、標準化)及繼續地擴充專家數目與資料，此套高爾夫揮桿動作教學專家系統將更輊完美。誌謝國科會九十年度大專生專題研究計劃計畫編號：90-2815-C-214-026-E。參考文獻1. 邱貴發，電腦輔助教學成效探討，視聽教育雙月刊，33(5)，(民81)11-18頁(1992)。2. 陳邦賢，高爾夫揮桿過程重心移位模式與擊球好壞之相關性分析，國立成功大學醫學工程研究所碩士論文(民89) (2000)。3. 簡德金，工作研究，初版一刷，台北市：育友圖書有限公司，（民86）6-16-13頁(1997)。4. Brody, “Tennis Science for Tennis Players. Philadelphia University of Pennsylvania Press,”(1987).5. Gott E.;McGown,C., “ Effect of a combination of stances and points of aim on putting accuracy .Perceptual and motor skills,”66:139-143(1988).6. Groppel, L., “ High Tech Tennis, Champaign, Illinois. ,”：Leisure Press. (1992)7. Kulik,C.L.C., & Kulik,J.A. “Effectiveness of computer-based instruction An updated analysis .Computers in human behavior,” 7(1-2),75-94. (1991)8. Kulik,J.A., & Kulik,C.L.C. “.Review of recent research literature on computer-based instruction ,”.Contemporary Educational Phychology , 12(3),222-230(1987).9. Richa