Sistema de classificação de tipos de movimentos no esporte tênis utilizando sensores inerciais e técnicas de aprendizado de máquina supervisionado

Abstract

A classificação automática de movimentos (golpes) de tênis para a geração de dados relacionados ao desempenho durante a prática esportiva pode auxiliar atletas no aprimoramento dos movimentos e direcionamento de estratégias de treinamento. A presente pesquisa detalha o processo de desenvolvimento de um dispositivo vestível, que é acoplado ao pulso do tenista, e se propõe a detectar e classificar os três principais movimentos do tênis: saque, forehand e backhand. O dispositivo é composto, principalmente, pelos módulos ESP-WROOM-32D e MPU-6050, possuindo o segundo dois sensores: um acelerômetro e um giroscópio. Ambos sensores possuem três eixos, utilizados para mensurar aceleração e velocidade angular durante a prática do esporte. Tanto os sensores não foram caracterizados isoladamente quanto o sistema, restringindo a extrapolação das análises feitas para outros sistemas e necessitando ainda que os resultados do sistema de medidas sejam validados. Uma base de dados, composta pelos três movimentos, foi coletada pelo autor durante a pesquisa e avaliada em relação a 90 características que representam cada um dos golpes estudados. Para classificação, as melhores características foram selecionadas com o uso de RFECV (Recursive Feature Elimination with cross-validation) e três modelos de aprendizado de máquina supervisionado (Árvore de Decisão, Floresta Aleatória e SVM) foram otimizados com o uso de busca de grade, comparados e avaliados. Todos os modelos apresentaram assertividade média de 100 % na classificação dos movimentos propostos para os testes realizados, com uma latência média no sistema embarcado de 𝟐𝟑𝟖𝟒 ± 𝟏𝟖𝟏 𝒖𝒔 para o modelo SVM (melhor resultado). Para os modelos de Árvore de Decisão e Floresta Aleatória, com a otimização dos hiperparâmetros, foi obtido um valor de 2 para a profundidade das árvores, indicando uma baixa complexidade dos modelos e uma boa capacidade das características escolhidas em diferenciar os movimentos. Todos os modelos se mostraram capazes de classificar, em tempo real, os movimentos

The automatic classification of tennis strokes for the generation of data related to the performance during sports practice can help athletes in the improvement of movements and targeting training strategies. The present research details the development process of a wearable device, which is attached to the tennis player's wrist, and proposes to detect and classify the three main tennis movements: serve, forehand and backhand. The device is mainly composed by the modules ESP-WROOM-32D and MPU-6050, the second having two sensors: an accelerometer and a gyroscope. Both Sensors have three axes, used to measure acceleration and angular velocity during the practice of the sport. Both the sensors were not characterized in isolation as well as the device, restricting the extrapolation of the analyzes made to other systems and still requiring the results of the measurement system to be validated. A database, composed by the three movements, was collected by the author during the research and evaluated based on 90 characteristics that represent each of the studied strokes. For classification, the best features were selected using RFECV (Recursive Feature Elimination with cross-validation) and three supervised machine learning models (Decision Tree, Random Forest and SVM) were optimized using grid search, compared and evaluated. All models showed an accuracy of 100 % for the movements classification in the executed tests, with an average latency in the embedded system of 2.38 ± 0.18 𝑚𝑠 for the SVM model (best result). For the Decision Tree and Random Forest models, with the hyperparameters optimization, a value of 2 was obtained for the trees depth, indicating a low complexity of the models and a good capacity of the chosen characteristics to differentiate the movements. All models were able to classify, in real time, the proposed movements.