| Abstract: | Om de prestaties van badmintonspelers te verbeteren, kunnen de slagen en bewegingen gemeten en geanalyseerd worden. In dit onderzoek worden er met behulp van Inertial Measurement Units (IMU) activiteitsensoren voor acceleratie- en gyroscoopdata en met behulp van Ultra-wideband (UWB) voor locatiedata verschillende types slagen gemeten van zes verschillende spelers. We stellen een 1D en een 2D CNN voor met de sensordata als input die respectievelijk gebruik maken van convolutionele 1D en 2D lagen. Dit kan gebruikt worden voor automatische labeling en matchverwerking. Er worden dertien verschillende klassen onderscheiden met toevoeging van een extra klasse die andere activiteiten beschrijft zoals lopen, stilstaan en andere slagen die niet werden opgenomen in dit onderzoek. Het beste model behaalt een resultaat van 88,99%. Door de toevoeging van de locatiedata kan er zelfs een accuracy van 90,90% worden behaald. Uit dit onderzoek blijkt ook dat het moeilijk is om een restklasse correct te onderscheiden van de verschillende slagen door de grote variatie binnen die klasse. Wanneer deze klasse wordt weggelaten uit de berekening wordt een resultaat van 94,43% behaald. Als laatste wordt er analyse uitgevoerd op het verschil in slagen van een speler zowel als op het verschil tussen meerdere spelers. |
|---|
| Abstract (Eng): | To improve the skills of badminton players, different shots and activities can be monitored using Inertial Measurement Units (IMU's) for acceleration and gyroscope data and Ultra-wideband (UWB) for location data. In this paper, we propose two different neural network, one with Conv1D layers and one with Conv2D layers, that can classify 13 of the most common badminton shots and an extra class that contains activities such as walking, and other shots that are not considered in this research. These models can be used for automatic labeling and match processing. We used the data of 6 different professional players to train and test the models. The 2D model using the sensor data reaches an accuracy of 88.99%. With the addition of the location data, the model even reached a result of 90.90%. When analysing the results, it turns out that the extra class is hard to correctly classify. Leaving this class out of the calculation of the accuracy results in an accuracy of 94.43%. To interpret the incorrectly classified shots, we analyse the difference between multiple samples of the same shot from one player as well as samples from different players. |
|---|