| Abstract: | Topsporters en amateursporters gebruiken steeds meer technieken en instrumenten om hun vaardigheden te analyseren. Zo zijn er vaak reeds video analisten deel van het team rond topsporters en is computervisie reeds een vaakgebruikt instrument om hen hierbij te ondersteunen. Het gebruik van eenvoudige en goedkope sensoren, zoals IMU's en UWB zijn een andere mogelijkheid om deze analyses te vereenvoudigen. In dit onderzoek wordt van de laatste twee middelen gebruik gemaakt om strategieën in een badmintonmatch te herkennen met behulp van CNN- en LSTM-technieken. Er worden vier strategieën beschouwd, met in totaal 11 variaties en een restklasse voor loopbewegingen die niet tot een strategie behoren. Als eerste wordt er een model bekeken dat werkt op basis van individuele modellen, die elk één specifieke strategie herkennen. Op basis van de individuele voorspellingen wordt via voting een globale voorspelling gegeven. Daarnaast wordt er ook een globaal model gecreëerd, waarbij alle strategievariaties in één keer worden voorspeld. Er wordt ook bekeken welke invoer essentieel is voor het herkennen van de strategieën. Zowel voor het CNN- en LSTM-model geeft het globale model een hogere accuracy dan het votingmodel: 79% ten opzichte van 60% voor CNN en 80% tegenover 59% voor LSTM. De restklasse zorgt echter voor een lage precisie (0.58 en 0.60 respectievelijk), er worden namelijk veel strategieën voorspeld wanneer er geen strategie wordt gespeeld. Het weglaten van deze klasse zorgt voor een precisie van 0.87 en een accuracy van respectievelijk 85 en 88% bij beide globale modellen. |
|---|