Навигация
Том 9 №4 (2021)

Статья

ПОСТРОЕНИЕ МОДЕЛЕЙ УДАРОВ КАРАТЭ НА ОСНОВЕ РАЗЛИЧНЫХ ВИДОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ (0.75 Mb, pdf) Прочитать
Авторы:
Хасаншин Ильшат Ядыкарович
Никитин Петр Владимирович
Ключевые слова:
кинематика удара каратэ
искусственная нейронная сеть
многослойный персептрон
сверточная нейронная сеть
распознавание ударов каратэ
Аннотация:

Цель работы состояла в построении моделей распознавания ударов на основе многослойного персептрона и сверточных нейронных сетей.

Методы и организация исследования. Для исследования кинематики ударов были применены инерциальные измерительные модули (англ. Inertial Measurement Unit – IMU), с помощью которых производилось измерение ускорений ударных сегментов тела. IMU были закреплены на запястьях спортсменов. Исследования проводились для ударов каратэ: гяку-цуки, маваши-цуки, агэ-цуки, уракен. Также был добавлен класс движений без ударов. Для разработки моделей ударов были применены следующие методы глубокого обучения: многослойный персептрон (англ. Multilayer Perceptron – MLP), 1-и 2-размерная сверточная нейронная сеть (англ. Convolution Networks – CNN). Для оценки моделей была применена F-метрика.

Результаты исследования. Исследования показали, что для модели MLP были получены хорошие результаты, к примеру, лучший результат по F-метрике – 0,95 для удара уракен, худший – 0,86 для движения без ударов. Разница между точностью обучения и проверки разработанной модели в форме MLP может являться результатом переобучения модели. 1-мерная модель свертки, рекомендованная авторами Z. Wang, W. Yan [6], показала худшие результаты, видимо, она плохо подходит для распознавания ударов. Точность составила около 0,8, а точность тестовой выборки составляла всего 0,65 и была нестабильна. Худший результат по F-метрике – 0,11 для маваши-цуки, лучший результат – 0,81 для класса без ударов. Сверточная модель с 2 слоями показала себя лучше, примерно на уровне MLP. Лучший показатель F-метрики составил 0,93 для гяку-цуки, а худший – 0,9 для уракен.

Заключение. Сравнительный анализ разработанных моделей искусственных нейронных сетей для распознавания ударов руками в каратэ показал, что многослойный персептрон является наиболее простой и эффективной моделью.

Список литературы:
  • Cust E. E., Sweeting A. J., Ball K., Robertson S. Machine and deep learning for sport-specific movement recognition: a systematic review of model development and performance, Journal of Sports Sciences, 2019; Volume 37, Issue 5, pp. 568-600, DOI: 10.1080/02640414.2018.1521769.
  • Dinu D., Millot B., Slawinski J., Louis J. An Examination of the Biomechanics of the Cross, Hook and Uppercut between Two Elite Boxing Groups. Proceedings, 2020, vol. 49, pp. 61, doi: 10.3390/proceedings2020049061.
  • Filip M., Bogdan K. Recognition of action dynamics in fencing using multimodal cues, Image and Vision Computing, 2018, vol. 75, pp. 1-10, doi: 10.1016/j.imavis.2018.04.005.
  • Haralabidis N., Saxby D.J., Pizzolato C., Needham L., Cazzola D., Minahan C. Fusing Accelerometry with Videography to Monitor the Effect of Fatigue on Punching Performance in Elite Boxers. Sensors 2020, vol. 20, pp. 5749, doi: 10.3390/s20205749.
  • Howard R. Wireless Sensor Devices in Sports Performance. IEEE Potentials, vol. 35, no. 4, pp. 40-42, July-Aug. 2016, doi: 10.1109/MPOT.2015.2501679.
  • Hülsmann F., Göpfert J., Hammer B., Kopp S., Botsch M. Classification of motor errors to provide real-time feedback for sports coaching in virtual reality. A case study in squats and Tai Chi pushes. Comput. Graph, 2018, vol. 76, pp. 47-59, doi: 10.1016/j.cag.2018.08.003.
  • Kasiri S., Fookes C., Sridharan S., Morgan S. Fine-grained action recognition of boxing punches from depth imagery, Computer Vision and Image Understanding, 2017, vol. 159, pp. 143-153, doi: 10.1016/j.cviu.2017.04.007.
  • Khasanshin I. Application of an Artificial Neural Network to Automate the Measurement of Kinematic Characteristics of Punches in Boxing. Appl. Sci, 2021; Volume 11, pp. 1223. https://doi.org/10.3390/app11031223.
  • Kimm D. K., Thiel D. Hand Speed Measurements in Boxing. Procedia Engineering, 2015; Volume 112, pp. 502-506. https://doi.org/10.1016/j.proeng.2015.07.232.
  • Wang Z., Yan W., Oates T. Time Series Classification from Scratch with Deep Neural Networks: A Strong Baseline. cs. LG, 2016, arXiv:1611.06455.
  • Worsey M.T., Espinosa H.G., Shepherd J.B., Thiel D.V. An Evaluation of Wearable Inertial Sensor Configuration and Supervised Machine Learning Models for Automatic Punch Classification in Boxing. IoT, 2020; Volume 1, pp. 360–381, doi:10.3390/iot1020021.
  • Worsey M.T., Espinosa H.G., Shepherd J.B., Thiel D.V. Inertial Sensors for Performance Analysis in Combat Sports: A Systematic Review. Sports (Basel), 2019; Volume 7(1), pp. 28. doi:10.3390/sports7010028.
  • Zhang X., Chen X., Li Y., Lantz V., Wang K., Yang J. A Framework for Hand Gesture Recognition Based on Accelerometer and EMG Sensors. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, vol. 41, no. 6, pp. 1064-1076, Nov. 2011, doi: 10.1109/TSMCA.2011.2116004.

Смотрите также