| 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. |
