Появление миниатюрных и недорогих носимых датчиков позволило нам собирать модели движений тела и биосигналы во время спортивных тренировок. Эти сигналы обрабатываются и преобразуются в полезную информацию о состоянии спортивной подготовки. Используя алгоритмы машинного обучения, эту информацию можно объединить со знаниями о тренировках по конкретным спортивным дисциплинам. Следовательно, использование носимых технологий и машинного обучения может привести к созданию искусственных спортивных тренеров. Это история о том, как мы сделали это для баскетбола.
Тренировки в спорте - сложный и запутанный процесс.
Тренировочные занятия обычно готовятся, оцениваются и контролируются профессиональными тренерами. Тренеры активно участвуют в этом процессе и оказывают огромное влияние на качество работы обучаемых. Участие тренера в тренировочном процессе, в конечном итоге, решает исход соревнований.
Быть хорошим тренером сложно из-за необходимых знаний и навыков. Помимо глубоких знаний о конкретных спортивных дисциплинах, тренерам также необходимо понимание таких областей, как анатомия, физиология, биомеханика, психология, социология и дидактика, чтобы наилучшим образом использовать способности обучаемых.
Цель тренировки - помочь спортсмену или команде достичь максимальных результатов. Эффективность тренировок оценивается опытными тренерами, которые основываются на известных принципах в определенных спортивных дисциплинах. Улучшение показателей спортсмена достигается за счет физической, технической, тактической и психологической подготовки.
В чем проблема?
Тренеров высшего класса сложно найти, и нанять их дорого. Спортсмены пользуются привилегиями клубов, в которые они вступают, однако обладают географическими и экономическими ограничениями. Вот почему многие талантливые и трудолюбивые спортсмены терпят поражение каждый год из-за отсутствия надлежащей подготовки и тренерского опыта.
Следовательно, мы должны найти способ демократизировать спортивную подготовку и сделать тренеров высшего класса доступными для всех, независимо от их экономического и социального статуса. Мы должны сделать доступным коучинг высшего класса.
С таким мышлением мы стремимся достичь этого в баскетболе. Вот наш первый шаг.
Работа над решением
Наша главная цель - создать решение, которое сделает тренировку по баскетболу доступной для всех. Наше решение представляет собой искусственный баскетбольный тренер, который дешев, легко адаптируется и способен подражать человеческому тренеру. Для этого мы использовали носимые устройства и машинное обучение.
Носимые устройства в основном используются в качестве основных устройств для мониторинга жизненно важных состояний в настоящее время, однако их полное использование еще предстоит изучить с помощью разработки приложений с интенсивным использованием данных, связанных с контекстом. Увеличение вычислительной мощности и энергоэффективности, а также уменьшение размеров встроенных процессоров создали возможность для реализации усовершенствованных алгоритмов обработки сигналов в реальном времени и машинного обучения в миниатюрных носимых устройствах с батарейным питанием. Способность носимых устройств выполнять обнаружение, классификацию, регрессию и прогнозирование на основе сенсорного ввода в контексте их использования поставила их на передний план во многих различных приложениях.
Используя носимые устройства вместе с машинным обучением, можно создавать искусственных тренеров, которые анализируют упражнения баскетболистов и предлагают игрокам определенные рекомендации по повышению их производительности. Искусственные тренеры могут быть разработаны для развития игроков в физическом, техническом, тактическом и психологическом смысле за счет включения первоклассного тренерского опыта.
Физическая подготовка включает в себя баскетбол и гимнастические упражнения для улучшения скорости, выносливости, выносливости, координации, гибкости и силы игроков. Тактическая подготовка основана на обучении различным игровым стратегиям, ведущим к победе. Психологический тренинг предлагает упражнения для развития личности игрока и улучшения мотивации, темперамента и отношения. Техническая подготовка состоит из упражнений, которые улучшают навыки игроков в баскетбол, такие как стрельба, передача, обращение с мячом, укладка и т. Д.
Автономный тренер по искусственному баскетболу требует очень небольшого участия человека и обеспечивает решение, как если бы присутствовал тренер-человек. Основное требование к такой системе - автоматическое распознавание упражнений и их количественная и качественная оценка. Типы упражнений можно распознать с помощью носимых датчиков и алгоритмов машинного обучения. Более того, оценка эффективности упражнений может быть выполнена путем моделирования знаний опытных тренеров и соотнесения их, например, с угол броска, скорость ведения, сила ведения, прием передачи и т. д.
Конкретные действия
В качестве первого шага к созданию тренера по искусственному баскетболу мы провели экспериментальное исследование, чтобы выявить различные технические тренировочные упражнения. Экспериментальная установка состоит из носимого устройства (Биби), оснащенного беспроводным приемопередатчиком и датчиками для измерения параметров движения руки баскетболиста (ускорение, угловая скорость и ориентация).
Данные о движении руки воспринимаются устройством и передаются на стационарный концентратор (Raspberry Pi 3). Этот концентратор получает, хранит, подготавливает и обрабатывает данные, чтобы в конечном итоге определить текущее состояние тренировок по баскетболу и распознать тип упражнения. Hub использует алгоритм машинного обучения и сможет использовать облачные вычисления в будущих приложениях.
Машинное обучение
Чтобы распознать тип упражнения во время тренировки, используется алгоритм машинного обучения (Support Vector Machine). Этот алгоритм обучается в процессе, включая сбор данных, предварительную обработку и преобразование (см. Рисунок ниже). Исходные данные датчиков подготовлены для использования в этом алгоритме машинного обучения для классификации предполагаемого / желаемого обучения.
В Bibi Armband есть 2 датчика, акселерометр и гироскоп. По этим сигналам рассчитывается ориентация повязки. Собранные данные передаются в хаб через BLE.
Чтобы иметь возможность извлекать значимую информацию из собранных данных, необработанные данные подготавливаются для использования в процессе моделирования машинного обучения. Векторы признаков генерируются путем извлечения окон фиксированного размера из предварительно обработанных данных.
На этапе преобразования данных наборы функций создаются и сокращаются, чтобы выбрать наиболее отличительные для этапа классификации. Во-первых, статистические характеристики рассчитываются для каждого извлеченного окна из предварительно обработанных данных. Затем, используя различные алгоритмы выбора подмножества признаков, выбираются признаки для генерации векторов признаков.
Далее выбранная модель машинного обучения обучается и проверяется полученным набором данных.
Заключение
Мы достигли 99% точности классификации с текущими настройками и данными. Наш следующий шаг в создании тренера по искусственному баскетболу - расширить библиотеку упражнений и попытаться классифицировать несколько упражнений подряд, то есть пас получил - ведение - прострел / бросок. Вместе с другими упражнениями мы будем учитывать обратную связь (через приложение для смартфона) с точки зрения количественного и качественного характера выполненных тренировок.
Основная цель этой работы - представить искусственного тренера, максимально автономного, чтобы обеспечить спортсменам все этапы тренировки безупречно. Спортсмены не должны прерывать свою тренировку, чтобы взаимодействовать с устройством. В настоящее время мы добиваемся успехов в этой конкретной области баскетбола. Однако ожидается, что эта работа повлияет на разные спортивные дисциплины из-за сходства тренировочных программ.
Исключение для всех, кто участвовал в работе над технической стороной проекта; Команда Иноватинк, Команда 8Bitiz, Команда WECooP. Выражаем благодарность Синану Гюлеру и команде Наследие Гюлера за то, что они предоставили нам свой тренерский опыт в баскетболе.
