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

• Autor(a) principal: Hans, Lucas Raupp
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/245912
• topic: Movimento humano; Sensores inerciais; Aprendizado de máquina; Tennis; Machine learning; Accelerometer; Gyroscope

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 ± 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