Konstgjord basketbuss

Tillkomsten av miniatyr- och billiga bärbara sensorer har gjort det möjligt för oss att samla kroppsrörelsemönster och biosignaler under sportträning. Dessa signaler bearbetas och konverteras till användbar information om sportträningens tillstånd. Med hjälp av maskininlärningsalgoritmer kan denna information blandas med kunskapen om utbildning av specifik idrottsdisciplin. Därför kan användning av bärbar teknik och maskininlärning leda till skapandet av konstgjorda sportbussar. Det här är historien om hur vi gjorde det för basket.

Träning i sport är en komplex och involverad process

Träningspassar utarbetas, utvärderas och övervakas vanligtvis av professionella tränare. Bussar är intensivt involverade i denna process och har ett stort inflytande på prestandakvaliteten hos praktikanter. Coachens engagemang i träningsprocessen avgör slutligen tävlingsresultatet.

Att vara en bra tränare är svårt på grund av nödvändig kunskap och färdigheter. Förutom att ha djup kunskap om specifik idrottsdisciplin kräver tränare också en förståelse för områden som anatomi, fysiologi, biomekanik, psykologi, sociologi och didaktik för att utnyttja praktikens förmågor på bästa sätt.

Syftet med en träning är att hjälpa en idrottare eller ett team att nå sin toppprestanda. Träningsprestanda utvärderas av experttränare som resonerar kring kända principer inom speciella idrottsgrenar. Förbättring av idrottares prestanda uppnås genom fysisk, teknisk, taktisk och psykologisk träning.

Vad som verkar vara problemet?

Toppledare är svåra att hitta och dyra att anställa. Idrottare åtnjuter privilegierna för klubbarna som de går med, men de har geografiska och ekonomiska begränsningar. Det är därför många begåvade och hårt arbetande idrottare misslyckas varje år på grund av bristen på korrekt träning och coaching expertis.

Därför måste vi ta fram ett sätt att demokratisera idrottsutbildning och göra toppledare tillgängliga för alla oavsett deras ekonomiska och sociala status. Vi måste göra högklassig coachning tillgänglig.

Med detta tankesätt fokuserar vi på att uppnå detta för basket. Här är vårt första steg.

Arbeta mot lösningen

Vårt huvudmål är att skapa en lösning som kommer att göra basketträning tillgänglig för alla. Vår lösning är i form av en konstgjord baskettränare som är billig, lätt adopterad och kan emulera mänsklig tränare. För att göra detta använde vi oss av bärbar teknik och maskininlärning.

Bärbara enheter används främst som grundläggande övervakningsanordningar för vitala tillstånd nuför tiden, men deras utnyttjande av full nytta är fortfarande att utforska genom sammanhangsrelaterad dataintensiv applikationsutveckling. Ökningen i bearbetningskapacitet och effekteffektivitet och minskningen i storleken på inbäddade processorer har skapat en möjlighet att implementera avancerade realtidssignalbehandlings- och maskininlärningsalgoritmer i miniatyrbatteri-drivna bärbara enheter. Förmågan hos bärbara enheter att utföra sensorinmatningsbaserad detektering, klassificering, regression och förutsägelse i samband med deras användning har lagt dem till gränsen för många olika applikationer.

Genom att använda wearables tillsammans med maskininlärning är det möjligt att skapa konstgjorda tränare som analyserar basketbollsspelarnas övningar och erbjuder spelare vissa rekommendationer om hur man kan öka deras prestanda. Konstgjorda tränare kan utformas för att utveckla spelare i en fysisk, teknisk, taktisk och psykologisk bemärkelse genom att integrera tränareupplevelser i toppklass.

Fysisk träning inkluderar basketkondition och gymnastiska övningar för att förbättra spelarnas hastighet, uthållighet, uthållighet, koordination, flexibilitet och styrka. Taktisk träning baseras på att lära ut olika strategier i spel som leder till seger. Psykologisk träning erbjuder övningar för att bygga spelarens personlighet och förbättra motivation, temperament och attityd. Teknisk träning består av övningar som förbättrar spelarnas basketfärdigheter som skytte, passerande, bollhantering, lay-up, etc.

Autonom konstgjord basketbuss kräver mycket lite mänskligt engagemang och ger en lösning som om en mänsklig tränare var närvarande. Det mest grundläggande kravet för ett sådant system är automatisk träningsigenkänning och deras kvantitativa och kvalitativa utvärdering. Motionstyper kan kännas igen med hjälp av bärbara sensorer och maskininlärningsalgoritmer. Dessutom kan prestationsbedömning för övningar uppnås genom att modellera kunskapen hos experttränare och relatera den till t.ex. skjutvinkel, driblingshastighet, driblingskraft, passmottagning etc.

Konkreta åtgärder

Som det första steget mot att skapa Artificial Basketball Coach utförde vi experimentell forskning för att känna igen olika tekniska träningsövningar. Den experimentella inställningen består av en bärbar enhet (Bibi) utrustad med trådlös sändtagare och sensorer för avkänning av basketbollspelares armrörelseparametrar (acceleration, vinkelhastighet och orientering).

Bibi Smart Armband

Armrörelsesdata avkänns av enheten och överförs till ett stationärt nav (Raspberry Pi 3). Detta nav tar emot, lagrar, förbereder och bearbetar data för att i slutändan identifiera det aktuella läget för framstegen i basketträningen och känna igen träningstyp. Hub är värd för en maskininlärningsalgoritm och kommer att kunna använda molnberäkning i framtida applikationer.

Konstgjorda Basketball Coach-teknikkomponenter

Maskininlärningssaker

För att känna igen träningstypen under träning används en maskininlärningsalgoritm (Support Vector Machine). Denna algoritm tränas i processen inklusive datainsamling, förbehandling och transformation (se figur nedan). Rå sensors data är beredda att användas för denna maskininlärningsalgoritm för att klassificera avsedd / önskad träning.

Träningsprocess för maskininlärningsalgoritm

Det finns 2 sensorer i Bibi Armband, en accelerometer och ett gyroskop. Med hjälp av dessa signaler beräknas orientering av armbandet. Insamlad data överförs till navet via BLE.

För att kunna utvinna meningsfulla insikter från den insamlade informationen är rå data beredda att användas för ML-modelleringsprocess. Funktionsvektorer genereras genom att extrahera fönster i fixstorlek från förbehandlade data.

fönster~~POS=TRUNC

I datatransformationsfasen skapas och reduceras funktionsuppsättningar för att välja de mest utmärkta för klassificeringsfasen. Först beräknas statistiska funktioner för varje extraherat fönster från förbehandlade data. Sedan användes olika funktionsdelmängdsvalalgoritmer, funktioner väljs för att generera funktionsvektorer.

Därefter tränas och valideras utvald maskininlärningsmodell med erhållet datasæt.

Slutsats

Vi har uppnått 99% klassificeringsnoggrannhet med nuvarande inställningar och data. Vårt nästa steg i att skapa en Artificial Basketball Coach är att utöka träningsbiblioteket och försöka klassificera flera övningar i rad, dvs. Tillsammans med fler övningar kommer vi att integrera feedback (via smartphone-appen) när det gäller den kvantitativa och kvalitativa karaktären av den utförda träningen.

Huvudfokuset för detta arbete är att presentera en konstgjord tränare så mycket autonom som möjligt för att tillhandahålla alla träningsfaser till idrottare på ett sömlöst sätt. Idrottare bör inte avbryta sin träning för att interagera med en enhet. Vi gör för närvarande framsteg inom detta specifika basketområde. Det förväntas dock att detta arbete kommer att påverka olika idrottsgrenar på grund av likheterna i träningsrutiner.

Avstängning till alla som bidragit med att arbeta på den tekniska sidan av projektet; Inovatink-team, 8Bitiz-team, WECooP-team. Ropa ut till Sinan Güler och Güler Legacy-teamet för att ge oss deras basketträningsexpertis.

Tack för att du läser! :) Om du tyckte om det, tryck på den klappknappen och hjälp andra människor att se historien.