Einleitung Tragbare Mikrosensorik wird mittlerweile zur Bestimmung relevanter Merkmale in zahlreichen Sportarten eingesetzt und liefert für die Bestimmung von Geschwindigkeiten bei niedrigen bis mittleren Intensitäten gute Genauigkeiten. Bei höheren Geschwindigkeiten und Sprints treten jedoch zunehmend Fehler auf (Feigl et al., 2019). Ziel dieser Studie war die Entwicklung und der Vergleich merkmalsbasierter und Deep-Learning-basierte Klassifizierungsalgorithmen zur Bestimmung der Sprintgeschwindigkeit beim Staffelsprint. Methode Bei 111 Bewegungsabläufen (Starts sowie Staffelwechsel) von 23 Sprinter*innen (20,92±1,79 Jahre, Anfänger bis deutsche Meisterschaften) auf der Geraden und in der Kurve einer mit Magnetstäben instrumentierten Bahn wurden Intertialsensordaten vom Rücken der Sportler*innen sowie die Referenzgeschwindigkeit mittels Radarpistole (46Hz) oder Videometrie (100Hz) aufgezeichnet. Zur inertialsensorbasierten Schätzung der Geschwindigkeit wurden 3 Modelle trainiert: ein Random Forest (RF) Regressor, ein tiefes neuronales Netz (DNN) und ein tiefes rekurrentes neuronales Netz (DRNN). Ergebnisse Der RF-Regressor erzielte mit einem mittleren absoluten Fehler (MAE) von 0.308 m/s und einem R2-Score von 0.968 die besten Ergebnisse. Durch das DNN konnten ähnliche Ergebnisse, nämlich ein mittlerer absoluter Fehler von 0.341 m/s und einem R2-Score von 0.947 erzielt werden. Die Genauigkeit mittels DRNN ist dagegen mit einem MAE von 0.568 m/s und R2-Score von 0.889 deutlich geringer. Diskussion DNN und RF haben in der vorliegenden Studie vergleichbare Ergebnisse erzielt wobei der RF-Regressor die Geschwindigkeitsvorhersage des vorherigen Fensters für die Prädiktion nutzt. Die Auswertung des zuvor auf Daten im Linearsprint trainierten RF-Modells auf den Daten in der Kurve zeigt einen Anstieg des MAE von 0,612 m/s auf 1,959 m/s. Ein auf in der Kurve erhobenen Daten trainiertes Modell erreichte einen MAE von 0,391 m/s. Künftig ist der Einbezug des GNSS-Signals wünschenswert, da die simultane Nutzung von IMU- und GNSS-Daten die Genauigkeit Geschwindigkeitsschätzungen verbessert (Mertens et al., 2018)
© Copyright 2024 15. Symposium der dvs-Sektion "Sportinformatik und Sporttechnologie": Zwischen Geistesakrobatik und praktischer Anwendung: Innovationen in der Sportinformatik und Sporttechnologie - Abstractband. Veröffentlicht von Technische Universität Dortmund. Alle Rechte vorbehalten.