Classificação de manobras de skate através de acelerometria e redes neurais artificiais

Abstract

Skate é uma das culturas mais populares no Brasil, com mais de 8.5 milhões de adeptos. O movimento esportivo atualmente se encontra em uma fase de grande crescimento, dada inclusive a estréia da modalidade nos Jogos Olímpicos em Tóquio 2020. O presente estudo teve como objetivo desenvolver técnicas de detecção e classificação de manobras de Street Skate, utilizando sensores inerciais IMU (Inertial Module Unit) e Redes Neurais Artificiais (RNA). Utilizando conhecimento do estado da arte em detecção de movimentos no Skate, foram gerados 181 registros artificiais, resultando em 543 sinais de aceleração (X, Y e Z) divididos entre 5 classes de manobras. Foi desenvolvida uma heurística de classificação utilizando coeficientes de correlação cruzada para discriminar cada classe, e com a Neural Network Toolbox foi criada uma Multilayer Feed Forward Network de três camadas treinada através de um algoritmo de aprendizagem supervisionado (scaled conjugate gradient backpropagation). Os resultados mostraram que com a utilização de RNAs treinadas especificamente para cada eixo, sendo o eixo Z o maior discriminador, podemos alcançar um percentual de erro inferior a 0.05%, com uma eficiência computacional que disponibiliza respostas em tempo real. Aprendizado de máquina é uma podersoa ferramenta na classificação de padrões de movimento complexos, contanto que os classificadores sejam arquitetados de maneira eficiente e o problema proposto de maneira clara, essa técnica possui promissoras aplicações para Exergames e detecção de movimentos.

Skateboarding is one of the most popular cultures in Brazil, with more than 8.5 million skateboarders. Today Skateboarding is more recognize as a true sports discipline, also given by its debut on the Olympic Games in Tokyo 2020. The present study aims to develop methods detection and classification of Skateboarding flat ground tricks, using a Inertial Module Unit (IMU) allied whit Artificial Neural Networks (ANN). Using state of the art knowledge on movement detection in Skateboarding, 181 artificial flat ground tricks divided between 5 different classes were generated, equivalent to 543 signals (X, Y and Z) of acceleration. A classification heuristic based on cross-correlation coefficients was applied to the discriminate between classes, and using the Neural Network Toolbox a Multilayer Feed Forward Network was architect with three layers and a scaled conjugate gradient back propagation algorithm. The results showed that with the use of ANNs trained specifically for each axis measured by the IMU, being the Z-axis the best differentiator, we can reach error percentages inferior to 0.05 %, with a computational efficiency that makes real time applications possible. Machine learning is a useful tool in pattern recognition of complex movements, as long that the classifiers are properly architected and the task is expressed with clarity this technique is a promising application in Exergames and motion detection.