Шведские разработчики научили нейросеть различать четыре техники катания на лыжах, используя только данные с тензометрических и инерциальных датчиков, установленных в лыжных палках. Эксперименты показали, что точность распознавания техники составляет 95 процентов, рассказывают авторы в препринте на arXiv.org.
Зачастую профессиональные спортсмены и любители используют для отслеживания своих тренировок технические средства. К примеру, при езде на велосипеде человек может отслеживать свой маршрут, скорость и набор высоты с помощью GPS-приемника или смартфона, а также отслеживать нагрузку с помощью пульсометра или измерителя мощности. Такие измерители работают благодаря тензометрическим датчикам, измеряющим силу, с которой гонщик давит на педали. В случае с лыжным спортом собирать подобные данные сложнее, потому что прилагаемые лыжником усилия распределяются между ногами и руками, причем соотношение нагрузки на мышцы ног и рук зависит от техники катания, предпочтительность которой в свою очередь зависит от наклона трассы, снега и других факторов.
Инженеры из Технического университета Чалмерса под руководством Ники Лизбат Лоуренс (Nickey Lizbat Lawrence) использовали датчики в лыжных палках для автоматического определения техники катания во время тренировок, что может помочь улучшить их качество. В своей работе авторы сконцентрировались на четырех техниках, часто применяемых во время лыжных гонок. Первый стиль представляет собой классическое одновременное отталкивание обеими палками. Три остальные техники — это вариации конькового хода, используемые при разных углах наклона трассы.
В качестве источника данных инженеры использовали лыжные палки с встроенными тензометрическими датчиками, измеряющими силу, с которой лыжник отталкивается с помощью палки, а также инерциальными датчиками, измеряющими скорость, ускорение и угол между палкой и землей. Все данные собирались с частотой 50 замеров в секунду. Для анализа инженеры запросили данные, полученные компанией-производителем палок во время тренировок трех лыжников-любителей. Датасет был разбит на отдельные сегменты, соответствующие той или иной технике катания.
Инженеры выбрали для анализа данных три нейросетевые архитектуры: одномерную сверточную нейросеть, а также классическую и двунаправленную сети с долгой краткосрочной памятью (LSTM), которые способны хранить информацию о предыдущих операциях в течении произвольного промежутка времени и обучаться обнаружению долговременных зависимостей. Разработчики проверили работу нейросетей в двух режимах. В первом они обучались на данных от всех трех лыжников и проверялись на не встречавшихся во время обучения данных от них же. Во втором режиме авторы оставили только LSTM-сеть, которую обучали на данных от двух лыжников, а проверяли на данных от третьего. Результаты первого эксперимента показали, что обе сети с долгой краткосрочной памятью смогли распознать технику с точностью 95 процентов, а сверточная нейросеть с точностью 90 процентов. Во время второго обучения точность классификации снизилась с 95 до 78 процентов.
Нейросетевые алгоритмы не первый раз используют в спорте. К примеру, в 2017 году нейросеть научили самостоятельно определять игровые роли и позиции футболистов по их поведению на поле. А недавно нейросеть, обученная на информации о 400 существующих видов спорта, придумала новый командный вид спорта, названный спидгейтом.
Григорий Копиев