Klasyfikacja akcji nóg w szermierce z użyciem akcelerometru

• Autorzy: Malawski F.

Identyfikatory

DOI

10.15199/13.2017.4.2

Warianty tytułu

EN

Classification of actions in fencing footwork using accelerometer

• Języki publikacji: PL

Abstrakty

PL

Automatyczna analiza oraz klasyfikacja akcji w sporcie stanowi użyteczne narzędzie dla zawodników oraz trenerów. W niniejszej pracy zaprezentowano efektywną metodę klasyfikacji akcji nóg w szermierce z wykorzystaniem akcelerometru. Do opisu ruchu wykorzystano zarówno cechy czasowe jak i częstotliwościowe. Do wyboru podzbioru cech o największej sile dyskryminacyjnej zastosowano metody selekcji cech oparte o algorytmy AdaBoost oraz Lasso. Klasyfikację akcji zrealizowano w oparciu o metody DTW oraz SVM. Przeprowadzono badania eksperymentalne na dedykowanej bazie danych z akcjami nóg w szermierce, która zawiera trudne do klasyfikacji akcje o podobnej trajektorii, ale różnej dynamice ruchu. Metody zaproponowane w niniejszej pracy umożliwiają uzyskanie 70% skuteczności klasyfikacji.

EN

Automatic analysis and classification of actions in sports constitutes a useful tool for both athletes and coaches. In this paper we present an efficient method for classification of actions in fencing footwork by employing an accelerometer. Fencers’ motion is described by both time and frequency domain features. In order to select a relevant subset of features we employ feature selection methods, namely AdaBoost and Lasso. In the classification we use DTW and SVM algorithms. Experiments were conducted on a dedicated dataset with fencing footwork actions, which contains actions, which are difficult to classify, as they have similar trajectories and vary mostly in the dynamics of the motion. The proposed methods achieved recognition accuracy better than 70%.

Słowa kluczowe

PL

rozpoznawanie akcji; nauka o sporcie; ciągi czasowe; przetwarzanie sygnałów; szermierka

EN

activity recognition; sport sciences; time series; signal processing; fencing

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2017
• Tom: Vol. 58, nr 4
• Strony: 8--12
• Opis fizyczny: Bibliogr. 23 poz., il., rys., tab.

Twórcy

autor

Malawski F.

• Akademia Górniczo-Hutnicza w Krakowie Wydział Informatyki, Elektroniki i Telekomunikacji

Bibliografia

• [1] P. M. McGinnis, Biomechanics of Sport and Exercise. Human Kinetics, 2013.
• [2] S. Barris and C. Button, “A review of vision-based motion analysis in sport,” Sports Med., vol. 38, no. 12, pp. 1025–1043, 2008.
• [3] T. Mauthner, C. Koch, M. Tilp, and H. Bischof, “Visual tracking of athletes in beach volleyball using a single camera,” Int. J. Comput. Sci. Sport, vol. 6, no. 2, pp. 21–34, 2008.
• [4] R. Urtasun, D. J. Fleet, and P. Fua, “Monocular 3D tracking of the golf swing,” IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2, pp. 932–938, 2005.
• [5] L. Mündermann, S. Corazza, and T. P. Andriacchi, “The evolution of methods for the capture of human movement leading to markerless motion capture for biomechanical applications.,” J. Neuroeng. Rehabil., vol. 3, p. 6, 2006.
• [6] D. A. James, “The application of inertial sensors in elite sports monitoring,” Eng. Sport 6, vol. 3, pp. 289–294, 2006.
• [7] A. Avci and S. Bosch, “Activity recognition using inertial sensing for healthcare, wellbeing and sports applications: A survey,” 23rd Int. Conf. Archit. Comput. Syst., pp. 1–10, 2010.
• [8] L. K. Philpott, S. Weaver, D. Gordon, P. P. Conway, and A. A. West, “Assessing wireless inertia measurement units for monitoring athletics sprint performance,” Proc. IEEE Sensors, no. December, pp. 2199–2202, 2014.
• [9] J. Margarito, R. Helaoui, A. M. Bianchi, F. Sartor, and A. G. Bonomi, “User-independent recognition of sports activities from a single wrist-worn accelerometer: A template-matching-based approach,” IEEE Trans. Biomed. Eng., vol. 63, no. 4, pp. 788– 796, 2016.
• [10] K. C. Moore, F. M. E. Chow, and J. Y. H. Chow, “Novel lunge biomechanics in modern Sabre fencing,” Procedia Eng., vol. 112, pp. 473–478, 2015.
• [11] Z. Borysiuk, K. Piechota, and T. Minkiewicz, “Analysis of performance of the fencing lunge with regard to the difficulty level of a technical-tactical task,” J. Combat Sport. Martial Arts, vol. 4, no. 2, pp. 135–139, 2013.
• [12] G. Mantovani, A. Ravaschio, P. Piaggi Pa, and A. Landi, “Fine classification of complex motion pattern in fencing,” Procedia Eng., vol. 2, no. 2, pp. 3423–3428, 2010.
• [13] F. Malawski and B. Kwolek, “Classification of basic footwork in fencing using accelerometer,” in Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), 2016,
• [14] Z. Czajkowski, Understanding fencing: The unity of theory and practice. SKA Swordplay Books, 2005.
• [15] C. Ellis, S. Z. Masood, M. F. Tappen, J. J. Laviola, and R. Sukthankar, “Exploring the trade-off between accuracy and observational latency in action recognition,” Int. J. Comput. Vis., vol. 101, no. 3, pp. 420–436, 2013.
• [16] O. D. Lara and M. A. Labrador, “A survey on human activity recognition using wearable sensors,” IEEE Commun. Surv. Tutorials, vol. 15, no. 3, pp. 1192–1209, 2013.
• [17] Y. Freund and R. Schapire, “A decision-theoretic generalization of on-line learning and an application to boosting,” Comput. Learn. Theory, vol. 55, pp. 119–139, 1995.
• [18] F. Malawski, B. Kwolek, and S. Sako, “Using Kinect for facial expression recognition under varying poses and illumination,” Act. Media Technol. 10th Int. Conf. AMT 2014 - Lect. Notes Comput. Sci., vol. 8610 LNCS, pp. 395–406, 2014.
• [19] R. Tibshirani, “Regression Selection and Shrinkage via the Lasso,” J. R. Stat. Soc. Ser. B, vol. 58, no. 1, pp. 267–288, 1996.
• [20] E. Keogh, K. Chakrabarti, M. Pazzani, and S. Mehrotra, “Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases,” Knowl. Inf. Syst., vol. 3, no. 3, pp. 263–286, 2001.
• [21] T. Krzeszowski, A. Switonski, B. Kwolek, H. Josinski, and K. Wojciechowski, “DTW-based gait recognition from recovered 3-D joint angles and inter-ankle distance,” Comput. Vis. Graph. Int. Conf. ICCVG 2014 – Lect. Notes Comput. Sci., vol. 8671, pp. 356–363, 2014.
• [22] C. J. C. Burges, “A tutorial on support vector machines for pattern recognition,” Data Min. Knowl. Discov., vol. 2, no. 2, pp. 121–167, 1998.
• [23] “Szkoła Fechtunku Aramis.” [Online]. aramis.pl.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).