Genau treffen zahlt sich aus - Wie Machine Learning den Kontaktpunkt zwischen Ball und Golfschläger detektiert
Einleitung
Bei Golfschwunganalysen wird der für die Flugkurve essentielle Ball-Schläger Treffpunkt meist durch Video- und/oder Laser-gestützte Verfahren bestimmt. Hollaus, Heyer, Steiner und Strutzenberger (2023) konnten mit Hilfe von Bewegungsdaten des Schlägerschafts und einem neuronalen Netz den Kontaktpunkt in drei Klassen (innen, mittig, außen) in 93 % korrekt klassifizieren. Als nächster Schritt soll überprüft werden, ob auch der absolute horizontale Abstand zum neutralen Treffpunkt (Sweet Spot) detektiert werden kann.
Methode
Die Schlag-Informationen aus dem Experiment von Hollaus et al. (2023) wurden als Basis für die Regression der horizontalen Distanz des Kontaktpunkts zum Sweet Spot verwendet. Aus insgesamt 1482 Schlägen eines professionellen Golfers wurde ein Trainings- (90%) und Test-Split (10%) generiert. Ein am Schlägerschaft angebrachter IMU Sensor (Ultium motion, Noraxon, USA, 400 Hz) erfasste die Bewegungsdaten, welche mit der jeweiligen Treffposition (TrackMan 4, Vedbæk, Denmark) gelabelt wurden. Das neuronale Netz wurde als sequentielles Netzwerk aufgebaut mit mehreren Dense Layern und einer CNN-Flatten Layer-Kombination. Es wurde mit einer Lernrate von 0.0003 mit dem Adam Optimierer trainiert mit dem mittleren Fehlerquadrat als Optimierungskriterium.
Ergebnisse
Die Schätzung des Netzwerkes liegt in 92% aller Fälle innerhalb von ±5 mm zur Referenzmessung durch das Trackman System.
Diskussion
Diese Genauigkeit ist speziell für Anfänger und Fortgeschrittene ausreichend, um wertvolles Feedback zur Treffgenauigkeit beim Golfschwung geben zu können. Da der ursprüngliche Datensatz mit einem Schläger und einer Testperson erstellt wurde, müssen die Ergebnisse mit Einschränkungen bezüglich der Generalisierung gesehen werden.
© 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.
| Schlagworte: | |
|---|---|
| Notationen: | technische Sportarten Naturwissenschaften und Technik |
| Tagging: | Golfschwung maschinelles Lernen |
| Veröffentlicht in: | 15. Symposium der dvs-Sektion "Sportinformatik und Sporttechnologie": Zwischen Geistesakrobatik und praktischer Anwendung: Innovationen in der Sportinformatik und Sporttechnologie - Abstractband |
| Sprache: | Deutsch |
| Veröffentlicht: |
Dortmund
Technische Universität Dortmund
2024
|
| Online-Zugang: | https://cdn0030.qrcodechimp.com/qr/PROD/630cc267b600e61b2d01d875/fm/abstractband_120924.pdf |
| Seiten: | 58 |
| Dokumentenarten: | Artikel |
| Level: | hoch |