Einleitung Methoden zur Klassifizierung von Skateboard-Tricks basierend auf Bewegungsdaten wurden bereits erfolgreich demonstriert [1]. Diese Studie zielt darauf ab, ein System zur Trick Klassifizierung zu entwickeln, die das Skateboarding-Erlebnis durch die Platzierung des Sensors auf dem Skateboard so wenig wie möglich beeinträchtigt. Methode Für diese Studie wurden XSens Dot-Sensoren verwendet, um Beschleunigung, Drehrate und Ausrichtung in Euler Winkeln der X, Y und Z Achsen während der Durchführung der Tricks aufzuzeichnen. Der Sensor wurde am vorderen Truck an der Unterseite des Skateboards angebracht. Fünf Setups dieser Art wurden von 12 Skatern verwendet, um die Tricks Ollie, 180°-Flip (Frontside und Backside), Kickflip und 360°-Flip auszuführen. In Summe wurden 862 gültige Tricks aufgenommen. Der Datensatz wurde für das Training eines neuronalen Netzes mit Hilfe von Data Augmentation auf 1300 Samples erweitert. Das Netz wurde mit der PyTorch Library entwickelt und besteht aus einer Kombination aus CNN-, Max-Pooling- und Dense-Layern. Ergebnisse Das Netz erreichte eine Genauigkeit von 96,4%. Die Precision- und Recall-Werte der einzelnen Tricks betragen 0,96 und 0,93 für Ollie, 0,97 und 0,91 für 180 Backside, 0,88 und 0,97 für 180 Frontside sowie 1 und 1 für jeweils Kickflip und 360 Flip. Die Klasse Ollie wies die höchste Fehlerquote auf und diente wahrscheinlich als Ausweichlösung, wenn der Confidence-Score für keine der anderen Trick-Klassen hoch genug war. Diskussion Das Ziel wurde erreicht, jedoch könnte die Qualität des Netzes mit einem größeren Datensatz deutlich verbessert werden. Für professionelle Anwendungen wie Olympische Wettkampfdiagnostik ist das Netz noch nicht ausreichend, jedoch könnten damit bereits Apps für digitales Game-of-Skate oder persönliches Fortschritts Tracking realisiert werden.
© Copyright 2024 15. Symposium der dvs-Sektion "Sportinformatik und Sporttechnologie": Zwischen Geistesakrobatik und praktischer Anwendung: Innovationen in der Sportinformatik und Sporttechnologie - Abstractband. Published by Technische Universität Dortmund. All rights reserved.