科研 Skill
可穿戴GPS数据处理
sport-wearable-gps-imu
处理GPS/IMU原始导出数据,定义速度区间与加减速事件阈值并评估设备一致性。适用于外部负荷研究与设备效度信度研究。
发布者 Codar安全审核通过v0.1.0更新于 2026-11-18
SKILL.md
可穿戴 GPS/IMU/心率数据处理(Wearable GPS, IMU & Heart Rate Data Processing)
适用场景
- 从 Catapult、STATSports、Polar 等设备导出的原始数据(逐采样点 CSV)重新计算总距离、高速跑距离、冲刺次数、加减速事件。
- 比较不同品牌/型号/固件版本设备的测量一致性,或与计时门、激光测速、动作捕捉等标准做效度研究。
- 搭建可复现的清洗流程:识别卫星信号不良片段、速度尖峰、心率伪迹与缺失。
- 为
sport-training-load提供标准化的外部负荷变量。 - 室内项目(篮球、手球)使用 IMU 指标(如 PlayerLoad 类累计加速度)或 LPS 时的数据处理。
边界与不适用
- 不评价或推荐商业设备采购;厂商专有算法(如自研 PlayerLoad 定义、事件检测)以厂商文档为准,自行重算的结果不得冒称与厂商软件等同。
- 负荷-表现/伤病的统计建模见
sport-training-load;本 Skill 聚焦信号层与事件层。 - 位置轨迹属于个人数据,不在未经同意的情况下公开原始坐标。
工作流
-
数据清点与元数据记录
- 输入:原始导出文件、设备型号、固件与软件版本、佩戴位置(背心肩胛间)。
- 操作:记录名义采样率(GNSS 常见 10 Hz/18 Hz,部分为插值上采样;IMU 常为 100 Hz 量级)与实际时间戳间隔;检查是否存在重复时间戳、时间跳变。
- 产出:设备-运动员-日期对照表;每文件的实际采样率与缺失统计。
- 决策点:厂商"18 Hz"可能来自 GNSS + 加速度计融合或插值,方法中如实描述,勿夸大原生分辨率。
-
信号质量筛查
- GNSS:利用 HDOP、可见卫星数筛除质量差片段(阈值需引用所用设备文献或厂商建议并报告);室内/看台遮挡场景谨慎使用。
- 心率:识别生理不可能值(如突然跳变数十 bpm、低于静息值)与脱落造成的平台段。
- 决策点:质量不合格的整场数据剔除还是片段插补?片段 < 若干秒可线性插补,长缺失应标记为缺失并在汇总时报告。
-
滤波与平滑
- 速度:厂商通常已做平滑;若用原始多普勒速度,可采用中值滤波去尖峰后再做低通/移动平均。
- 加速度:由速度差分得到加速度时噪声放大,应先平滑速度再差分;平滑窗口直接影响加减速事件数,必须报告。
- IMU:去重力分量、坐标系说明;累计加速度指标需注明是否三轴向量模。
-
速度区间与事件定义
- 速度区间:使用绝对阈值(如高速跑 > 某 km/h、冲刺 > 某 km/h,不同研究阈值不一)或个体化阈值(基于 MAS、最大冲刺速度的百分比);明确所选方案和理由。
- 加减速事件:阈值(如 > 2 或 > 3 m/s²)+ 最短持续时间(dwell time,如 0.5–1 s)+ 事件合并规则;三者均需报告,否则结果不可比。
- 决策点:区间边界处的"进入/退出"判定是否需要连续若干采样点确认。
-
汇总与标准化
- 产出每运动员每场:总时长、总距离、m/min、各区间距离、事件次数、HR 区间时间。
- 比赛数据:剔除热身、中场与替补上场前片段;比较时用每分钟标准化指标,同时报告上场时间。
-
设备间/版本间一致性与效度
- 设计:同一受试者同时佩戴两台设备,或与金标准(计时门、雷达测速、动作捕捉)对照。
- 统计:典型误差(TE)及 CV%、ICC(注明模型类型)、Bland-Altman 一致性界限、比例偏倚检验。
- 决策点:不同设备/固件版本间不一致时,纵向研究中不得混用而不加校正。
工具与数据源
- Python:
pandas、numpy、scipy.signal(medfilt、butter、filtfilt、savgol_filter)、pyproj(经纬度投影为平面米制坐标)。 - R:
signal、zoo、BlandAltmanLeh、irr/psych(ICC)。 - 设备厂商导出软件:Catapult OpenField、STATSports Apex 软件、Polar Team Pro(以厂商文档为准)。
- 心率伪迹:Kubios HRV(用于 RR 间期分析)。
最小代码示例(Python:速度平滑与加速度事件检测)
import numpy as np
import pandas as pd
from scipy.signal import medfilt
df = pd.read_csv("gnss_10hz.csv") # 列:time_s, speed_ms, hdop, n_sat
fs = 10
df.loc[(df.hdop > 2) | (df.n_sat < 6), "speed_ms"] = np.nan # 阈值示例,需引用依据
df["speed_ms"] = df["speed_ms"].interpolate(limit=fs * 2) # 仅补 <=2 s 缺口
df["speed_s"] = medfilt(df["speed_ms"].fillna(0).to_numpy(), kernel_size=5)
df["speed_s"] = df["speed_s"].rolling(fs // 2, center=True, min_periods=1).mean()
df["acc"] = np.gradient(df["speed_s"], 1 / fs)
def count_events(acc, thr, min_dur_s, fs):
above = acc > thr
runs, n = 0, 0
for a in above:
n = n + 1 if a else 0
if n == int(min_dur_s * fs):
runs += 1
return runs
print("加速事件:", count_events(df["acc"].to_numpy(), 3.0, 0.5, fs))
print("减速事件:", count_events(-df["acc"].to_numpy(), 3.0, 0.5, fs))
质量检查
- 报告了设备型号、固件/软件版本、名义与实际采样率
- 报告了 HDOP/卫星数筛选标准及剔除比例
- 平滑方法、窗口、截止频率与插补上限均已说明
- 速度区间与加减速阈值、最短持续时间、合并规则完整报告
- 纵向或多队比较中未混用不同设备/版本,或已做一致性校正
- 效度/信度研究报告 TE、CV%、ICC 类型与 Bland-Altman 界限
- 原始 GPS 轨迹已去标识化,数据共享符合个人信息保护要求
- 处理脚本版本化,可从原始导出文件一键重现汇总表
输出格式
- 数据处理流水线说明表:步骤、参数、依据、剔除/插补数量。
- 每运动员-每场汇总表:athlete_id、date、session、duration、total_distance、m_per_min、各速度区间距离、acc_n、dec_n、HR 区间时间。
- 一致性报告:指标 × 设备对比的 bias、LoA、TE、CV%、ICC(95% CI)。
- 附图:速度原始 vs 平滑曲线示例、Bland-Altman 图。
参考规范与文献
- Malone JJ 等(2017)关于 GPS 数据收集与处理"打开黑箱"的报告建议(IJSPP)
- Varley MC 等(2012)关于 5/10 Hz GPS 测量加减速与恒速信度的研究(Journal of Sports Sciences)
- Hopkins WG(2000)测量误差在运动医学中的应用(Sports Medicine)
- Bland JM, Altman DG(1986)两种临床测量方法一致性评价(The Lancet)
- Koo TK, Li MY(2016)ICC 选择与报告指南(Journal of Chiropractic Medicine)
- Winter DA《Biomechanics and Motor Control of Human Movement》(信号滤波基础)
示例提示词
帮我用Python清洗10Hz GPS原始数据,定义高速跑区间和加减速事件,并比较两台设备的一致性。
所属插件
安装该插件会一并获得同领域的 9 个 Skill / MCP。
同插件的其他科研 Skill
- 运动生物力学分析用ezc3d读取C3D动作捕捉数据,做滤波、关节角度与地面反作用力计算并衔接OpenSim。适用于跑跳落地等动作的生物力学分析。
- 运动干预设计报告按FITT-VP设计运动干预并用CERT/TIDieR清单报告,含meta分析方法。适用于运动干预RCT与系统综述,不为个人提供处方。
- 体质健康数据分析按国家学生体质健康标准计算评分,用GAMLSS构建年龄别百分位曲线。适用于学校体测常模制定与公报数据趋势分析。
- 体育政策与人文研究系统收集体育政策文本做工具编码与文本计量,二次分析全民健身调查数据。适用于体育治理、体教融合与群众体育研究。
- 运动营养与体成分评估比较DXA、BIA等体成分测量方法一致性,评估膳食摄入与能量可用性风险。适用于运动员体成分监测,不提供个体膳食处方。
- 竞技表现分析基于事件数据构建xG模型与篮球回合效率指标,评估表现指标信度与稳定性。适用于足球篮球等团队项目战术绩效研究。
- 身体活动测量分析用GGIR处理加速度计原始数据,选择切点并对照WHO指南判定达标率。适用于人群身体活动流行病学研究,不制定个人处方。
- 训练负荷监控研究规范采集sRPE/TRIMP负荷指标并拟合Banister模型,审慎讨论ACWR方法学争议。适用于负荷-表现与负荷-伤病关联研究。
常见问题
可穿戴GPS数据处理能做什么?
处理GPS/IMU原始导出数据,定义速度区间与加减速事件阈值并评估设备一致性。适用于外部负荷研究与设备效度信度研究。
如何安装可穿戴GPS数据处理?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「可穿戴GPS数据处理」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
可穿戴GPS数据处理需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
可穿戴GPS数据处理经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。