Inertial sensors and intelligent algorithms in the analysis of the efficiency of technical actions in sport: the optimization of technical patterns of fencing.

Data
2019-04-11
Título da revista
ISSN da revista
Título do Volume
Editora
Resumo
The use of technology to capture and analyze the technical-tactical gestures performed by the fencer’s weapon hand in order to assist in the optimization of their competitive efficiency can be a challenge due to the technical and strategic characteristics of the fencing game and its explosive speeds. The purpose of this study is to not only create a system that can capture such data in the training context with the master through the use of an Inertial Measurement Unit (IMU), specifically a gyroscope and an accelerometer placed on the weapon hand glove, but also use the binary qualitative evaluation of the master on the development of repeated technical actions to, in conjunction with the collected inertial data, to train a Neural Network to recognize the fencer’s best execution patterns according to the master’s evaluation criteria, thus ultimately aiding the athlete in refining their decision making processes during solo practice through the use of a qualitative feedback that emulates the master’s own. In order to create a device that meets these conditions a different scientific methodology that allows to simultaneously handle of qualitative and quantitative data through the use of supervised Machine Learning was implemented. We've applied Mixed-Methods to treat the qualitative information and produce the weights that will be implemented by the Neural Network using systematic observation. 2000 executions of two different exercises were collected, using Dynamic Time Warping to detect the location of the key segments on each time series, so we can then extract all the relevant information via feature extraction and feed the Neural Network to produce two distinct models, each having their own set of features. In this first prototype we were able to qualify the fencer’s overall performance with an accuracy of 78% and 71.5% for the first model and 76.6% and 72.7% for the second for each exercise respectively, concluding these solutions has a fairly high prediction rate despite of using a single sensor. The main sources of error were identified and future iterations should reduce this margin even further by increasing the sources of data and input.
O uso de tecnologia para capturar e analisar os gestos técnico-táticos executados pela mão armada do esgrimista de forma a auxiliar na otimização de sua eficiência competitiva pode ser um desafio devido às características técnicas e estratégicas do jogo de esgrima e as suas velocidades explosivas. O objetivo deste estudo é não apenas criar um sistema que consiga capturar tais dados no contexto de treino com o mestre através do uso de um Dispositivo de Medida Inercial (IMU), especificamente um giroscópio e um acelerômetro colocado na luva da mão armada, mas também usar a avaliação qualitativa binária do mestre no desenvolvimento de ações técnicas repetidas para, em conjunto com os dados inerciais captados, treinar uma Rede Neural para reconhecer quais os melhores padrões de execução do esgrimista de acordo com os critérios de avaliação do mestre, auxiliando assim o atleta no refinamento dos seus processos de tomada de decisão durante a prática individual através do uso de um feedback qualitativo que emula o do próprio mestre. A fim de criar um dispositivo que atenda a essas condições, uma metodologia científica diferente que permite lidar simultaneamente com dados qualitativos e quantitativos através do uso de Aprendizagem Automática (Machine Learning) supervisionada foi implementada. Nós aplicamos Métodos Mistos para tratar as informações qualitativas e produzir os pesos que serão implementados pela Rede Neural usando observação sistemática. 2000 execuções de dois exercícios diferentes foram coletadas, usando Distorção Dinâmica do Tempo (Dynamic Time Warping) para detetar a localização dos segmentos chave em cada série temporal, para que possamos extrair todas as informações relevantes através da extração de características (feature extraction) e alimentar a Rede Neural para produzir dois modelos distintos, cada um com o seu conjunto de características. Neste primeiro protótipo fomos capazes de qualificar o desempenho geral do esgrimista com uma precisão de 78% e 71,5% para o primeiro modelo e 76,6% e 72,7% para o segundo para cada exercício respetivamente, concluindo que estas soluções têm uma taxa de previsão relativamente alta apesar de usar um único sensor. As principais fontes de erro foram identificadas e futuras iterações devem reduzir ainda mais essa margem ao aumentar as fontes de dados e de entrada.
Descrição
Doctoral Thesis in Computer Science
Palavras-chave
Citação