Rok / Year: Svazek / Volume: Číslo / Number: Jazyk / Language 2018 20 3 CZ Experimentální ověření měření akcelerace a výskoků pomocí inerciálních senzorů pro sportovní aplikace Experimental evaluation of measurement of acceleration and jumps using inertial sensors for sport applications David Prycl 1, Martin Sigmund 1, Lubomír Mráz 2, Milan Šimek 2 david.prycl@upol.cz 1 Aplikační centrum BALUO, Fakulta tělesné kultury, Univerzita Palackého v Olomouci 2 Sewio Networks s.r.o. DOI: - Abstract: This article deals with an experimental evaluation of measurement of acceleration using UWB-based MEMS sensors. Most of the available systems on the market unable to provide a detailed kinematics of of individual player s the micro-movements (acceleration, jump) during sportive activity in direction of their load evaluation. The proposed system was developed directly for ball sports such as football, handball, basketball, etc., i.e. sports that are mainly played in the indoor environment.
Experimentální ověření měření akcelerace a výskoků pomocí inerciálních senzorů pro sportovní aplikace David Prycl 1, Martin Sigmund 1, Lubomír Mráz 2, Milan Šimek 2 1 Aplikační centrum BALUO, Fakulta tělesné kultury, Univerzita Palackého v Olomouci Email: david.prycl@upol.cz, martin.sigmund@upol.cz 2 Sewio Networks s.r.o. Email: mraz@sewio.net, simek@sewio.net Abstrakt Článek pojednává o experimentálním ověření akcelerace z MEMS senzorů na bázi UWB. Většina dostupných systémů na trhu není schopna nabídnout detailní kinematiku mikro pohybů jednotlivých hráčů (akcelerace, výskoky) při sportovní aktivitě, za účelem vyhodnocení jejich zátěže. Systém byl vyvíjen přímo pro míčové sporty jako je futsal, házená, basketbal atp., tedy sporty, které se hrají převážně ve vnitřním prostředí. 1 Úvod Moderní technologie se začínají uplatňovat již i v oblasti vrcholového nebo rekreačního sportu. O kvalitě herního výkonu rozhoduje míra specifičnosti vyuţitých tréninkových forem a jejich přizpůsobení každému individuu [1]. Bez detailní deskripce pohybových vzorců a samotného zatížení, způsobu energetického krytí nemohou trenéři rozvíjet specifickou kondiční připravenost hráčů [2], [3]. Zatížení hráče v utkání pak můžeme určit podle intenzity, trvání, vzdáleností, frekvence klasifikovaných činností (chůze, poklus, běh, apod.) a intervalu zatížení a odpočinku [4], [5]. Carling et al. [6] dále považuje za důležité nesledovat pouze výše uvedené charakteristiky, ale i parametry agility (zrychleni, zpomaleni, výskoky, změny směru). U hráčů sportovních her by mělo probíhat sledování a analyzováni rychlosti (m. s 1, km. h 1) a překonané vzdálenosti hráčů případně jednotlivých herních postů, frekvence jednotlivých specifických pohybových činností, čas strávený v jednotlivých pohybových činnostech a rychlostech provedeni pohybu [7]. Výzkumný tým se zaměřil na senzorické systémy pro sportovní aplikace. Zaměřili jsme se na experimentální ověření rychlostních tříd lokačního systému pro trackování hráčů pomocí MEMS senzorů. Níže článek popisuje výzkum algoritmu pro klasifikaci rychlostních tříd pohybu v testovací hale Aplikačního centra BALUO, FTK UP v Olomouci, která je vybavena geo-lokačním systémem na bázi UWB. 2 Výzkum algoritmu pro klasifikaci rychlostních tříd pohybu Pro vlastní výzkum jsme vytvořili v Aplikačním centru BALUO, FTK UP permanentní hardwarovou instalaci osmi kotev, které jsou vyobrazeny na Obrázku 1 a 2. Obrázek 1: Návhrh umístění osmi kotev v Aplikačním centru BALUO. Obrázek 2: Zobrazení osmi instalovaných kotev v Aplikačním centru BALUO. Každá kotva byla instalována ve výšce 2,7m tak, aby synchronizace napříč kotvami nebyla ovlivněna pohybem hráčů. Každá z kotev byla ochráněna speciálním plexi krytem ve tvaru půlkruhu. Celý systém dále řešila softwarová aplikace RTLS Studio, jenž umožnila hladkou instalaci. Kotvy měly určeny své IP adresy a díky tomu byla konfigurace přehledná a vysoce efektivní. Systém umožňoval kontrolovat konfiguraci kotev, tagů a aktualizovat nové nastavení [8]. Obrázek číslo 3 zobrazuje schéma RTLS řešení. 89
G k (a n ) = 1 1 σ k 2π e 2 (a n μ k ) 2 σ k. Výpočet pravděpodobnosti P k příslušnosti k třídě k na základě Gaussovské pravděpodobnosti G k a tranzientní pravděpodobnosti T c-1,k : P k = G k T kn 1,k. Obrázek 3: Schéma RTLS řešení. Nasledující část popisuje klasifikaci dat z inerciálních senzorů tagu za účelem určení rychlosti hráče. Vstupem algoritmu bylo měření vektoru zrychlení z akcelerometru a v časovém okamžiku t, výstupem je třída rychlosti pohybu k, která odpovídá množině klasifikovaných rychlostí: k {stoj, chůze, běh, sprint}. Pro každou třídu příslušnosti k (stoj, chůze, běh nebo sprint) byly definovány hodnoty průměru μ k a rozptylu σ k z hodnot amplitudy zrychlení, které jsou ukázány na Obrázku 4. Tranzientní pravděpodobnosti byly definovány jako matice pravděpodobnosti pro přechod mezi dvěma rychlostními třídami, které popisuje Tabulka 1. Tabulka 1: Matice pravděpodobností pro přechod mezi dvěma rychlostními třídy. stoj chůze běh sprint stoj 1 0,975 0,950 0,925 T = chůze 0,975 1 0,975 0,950 běh 0,950 0,975 1 0,975 sprint 0,925 0,950 0,975 1 Obrázek 4: Definice rychlostních tříd pomocí parametrů normálního rozdělení (μ k, σ k ) pro každou třídu (stoj, chůze, běh nebo sprint). Pro klasifikaci okamžitého pohybu byla použita amplituda okamžitého zrychlení: a = a x 2 + a y 2 + a z 2. Ta je nejprve filtrována pomocí komplementárního filtru: a t = a t 1+a 2. Klasifikace se prováděla na okně zahrnujícím W posledních vzorků. Pro celé okno byla určena střední hodnota a n. Index n určuje index okna které je klasifikováno: a n = 1 t a W j=t W j, n = t W. Výpočet pravděpodobnosti G k příslušnosti k třídě k pro poslední vyhodnocené okno, se provádělo na základě hodnoty Gaussovy funkce pro střední hodnotu amplitudy zrychlení ve vyhodnocovaném okně. Parametry u k a σ k jsou střední hodnota a rozptyl popisující danou třídu: Obrázek 5: Průběh zrychlení a určené rychlostní třídy. Jako třída příslušnosti k n pro okno n byla vybrána třída příslušnosti která nabývá nejvyšší pravděpodobnosti: k n = arg max k P k. Obrázek 5 ukazuje průběh zrychlení a určené rychlostní třídy pro jejich další zpracování. 3 Algoritmus pro detekci výskoků Výskok má v měřených datech tvar dvou izolovaných špičkových hodnot. Detekce výskoků byla založena na sledování špičkových hodnot v amplitudě zrychlení. Měření bylo vyhodnoceno jako skok, při splnění následujících podmínek, jenž vizualizuje i obrázek číslo 6. 1. Od posledního detekovaného výskoku uplynul čas větší než JUMP_DEAD_TIME. 2. Hodnota amplitudy zrychlení je vyšší než nastavený práh JUMP_TRESHOLD a hodnota amplitudy zrychlení je vyšší než v předchozí a následujícím vzorku, pak je hodnota detekována jako špičková hodnota. 90
3. Od předcházející detekované špičkové hodnoty uplynul čas větší než JUMP_TIME_D_MIN a menší než JUMP_TIME_D_MAX. 4. Od špičkové hodnoty předcházející uplynul čas větší než hodnota 3*JUMP_TIME_D_MAX. 5. Mezi předcházející a aktuální špičkovou hodnotou je rozdíl menší než JUMP_ACC_D. konektor. Kde jsou dostupné data z tagů včetně inerciální jednotky. Na obrázku číslo 8 je vizualizace vytvořeného software, který dokáže klasifikovat a vizualizovat pohyb v reálném čase. Obrázek 7: Ukázka klasifikovaných dat. Scénář: chůze, běh, výskok, sprint. Obrázek 6: Prahy pro detekci výskoku. Další testované algoritmy V rámci testování jsme otestovali a implementovaly níže uvedené algoritmy, nicméně se ukázaly jako nevhodné. 1. Detekce výskoků na základě Bayesova detektoru tvaru křivek formou strojového učení se ukázalo jako příliš výpočetně náročné a velmi náchylné na chyby detekce chybná pozitivní detekce i chybějící detekce reálné události. 2. Segmentace měření na základě sledování průchodu nulou v měření úhlové rychlosti měla oproti použití přístupu s oknem pevné délky vyšší výpočetní náročnost a horší kvalitu detekce z důvodu náchylnosti k šumu ve zpracovávaných datech. 5 Závěr Obrázek 8: Ukázka software. Testovaní v Aplikačním centru BALUO Měření probíhalo s akcelerometrem MPU-9250 umístěném v tagu. Senzitivita akcelerometru byla nastavená na 8G, a citlivost gyroskopu +/- 500. Měřením se získal vektor se vzor. periodou: timestamp ID_Lokator accx accy accz gyrox gyro Y gyroz magx magy magz (50ms). Měření bylo rozděleno do několika měřících scénářů dle sekvence pohybů (chůze, běh, sprint). Na obrázku číslo 7 níže vizualizujeme ukázku klasifikovaných dat z testování ve scénáři běh, chůze, výskok, sprint. 4 Vývoj SW implementující algoritmy rozpoznávání z řady inerciálních dat Pro testování a vyhodnocení navržených algoritmů byl vyvinut software, který dokáže klasifikovat a vizualizovat pohyb v reálném čase na základě vstupů z inerciální jednotky. Aplikace se připojuje na API lokačního systému přes UDP Tento článek se zabývá experimentálním ověřením akcelerace a výskoků pomocí MEMS senzorů ve sportu, s využitím nové širokopásmové technologie UWB. V článku bylo popsán výzkum algoritmu pro klasifikaci rychlostních tříd pohybu běh, chůze, sprint včetně detekce výskoku. Výsledné algoritmy byly vyobrazeny a otestovány v praxi v nově vytvořeném softwaru. Detekce výskoků na základě Bayesova detektoru a sledování průchodu nulou v měření úhlové rychlosti se ukázaly jako nevhodné. Závěrem lze říci, že data z akcelerometru je možné využít ve sportu pro vyhodnocení typu pohybu sportovce chůze, běh, sprint a také i výskok dle sledování špičkových hodnot v amplitudě zrychlení. Poděkování Výzkum byl podpořen projektem MPO TRIO s názvem: Výzkum fúze dat z MEMS senzorů a nové širokopásmové radiové technologie pro analýzu mikropohybů osob (Identifikační kód projektu: FV10394). 91
Literatura [1] HOFFMAN, Jay. Physiological aspects of sport training and performance. Second edition. Champaign, IL: Human Kinetics, 2014. ISBN 978-1-4504-4224-4. [2] IAIA, F. Marcello, Ermanno RAMPININI a Jens BANGSBO. High-intensity training in football. International Journal of Sports Physiology and Performance. 2009, 4(3), 291-306. [3] MCINNES, S.E., J.S. CARLSON, C.J. JONES a M.J. MCKENNA. The physiological load imposed on basketball players during competition. Journal of Sports Sciences. 1995, 13(5), 387-397. DOI: 10.1080/02640419508732254. ISSN 0264-0414. [4] DURST, Barry, Greg ATKINSON a Thomas REILLY. Future perspectives in the evaluation of the physiological demands of soccer. Sports Medicine. 2007, 37(9), 783-806. [5] REILLY, Thomas. Assessment of sports performance with particular reference to field games. DOI: 10.1080/17461390100071306. ISBN 1746-1391. [6] CRLING, Christopher, Jonathan BLOOMFIELD, Lee NELSEN a Thomas REILLY. The Role of Motion Analysis inelite Soccer. Sports Med. 2008, 38(10), 839-862. [7] BĚLKA, Jan, Karel HŮLKA, Pavel HÁP, David PRYCL, Milan ŠIMEK, Ilona HAPKOVÁ, Lubomír MRÁZ a Radim WEISSER. Rešerše odborné literatury zaměřené na rychlostní kategorie a specifické pohybové činnosti hráčů během utkání a tréninku ve vybraných indoor sportovních hrách. Studia Kinanthropologica. České Budějovice: KTVS PF Jihočeské univerzity, 2016, (17), 73-83. ISSN 1213-2101. [8] ONDRUCH, Jan. Application for Modern Sports Training Utilising the Sensory Data and Positional System. Brno, 2018. Bachelor s thesis. Brno University of Technology, Faculty of Information Technology. Supervisor Ing. Vítězslav Beran, Ph.D. 92