Detección de similitudes y diferencias dentro de un mismo movimiento de golpeo mediante un análisis del rendimiento basado en inteligencia artificial: ejemplo del servicio en tenis
Resumen
El análisis del rendimiento basado en inteligencia artificial (IA) tiene el potencial de apoyar la retroalimentación en el entrenamiento. Sin embargo, aún no se ha propuesto un método útil. El objetivo de este estudio es desarrollar un análisis del rendimiento basado en IA para apoyar el entrenamiento de tenis. En concreto, se investiga la precisión en la detección de similitudes y diferencias dentro de un mismo movimiento de golpeo. Los participantes fueron dos tenistas con más de diez años de experiencia en tenis a nivel regional. Este estudio se centró en el servicio en tenis y se grabaron videos de los dos primeros servicios desde ambos lados de la cancha (número de servicios: 40 intentos) con un teléfono inteligente situado en la valla detrás del participante. El código de análisis se ejecutó en Python, y la parte principal involucró el uso de BlazePose, que estima las coordenadas X, Y y Z de una posición humana. Se cortaron videos de 2 s, con un solapamiento de 1 s entre cada video, y se eligió manualmente uno de ellos como el video estándar. Los videos se compararon con los de comparación y se calcularon automáticamente las puntuaciones de diferencia para el total y para cada parte del cuerpo. Se realizó un análisis basado en IA que consideraba 12 condiciones y combinaba los dos primeros servicios desde ambos lados y de los diferentes jugadores. Como resultado, se confirmó cierta precisión (≥ 70%) en la detección de fases solapadas entre videos. Además, las partes del cuerpo evaluadas manualmente que mostraban movimientos diferentes por un entrenador certificado correspondían con las tres primeras partes diferentes del análisis basado en IA para 8 de las 12 condiciones. El análisis de rendimiento basado en IA propuesto puede extraer eficazmente fases similares o solapadas y sugerir partes del cuerpo que muestran movimientos diferentes.
Citas
Bazarevsky, V., Grishchenko, I., Raveendran, K., Zhu, T., Zhang, F., & Grundmann, M. (2020). Blazepose: On-device real-time body pose tracking. arXiv preprint arXiv:2006.10204. https://doi.org/10.48550/arXiv.2006.10204
Brady, C., Tuyls, K., & Omidshafiei, S. (2021). AI for Sports. CRC Press.
Cai, J., Hu, J., Tang, X., Hung, T.-Y., & Tan, Y.-P. (2020). Deep historical long short-term memory network for action recognition. Neurocomputing, 407, 428-438. https://doi.org/10.1016/j.neucom.2020.03.111
Cust, E. E., Sweeting, A. J., Ball, K., & Robertson, S. (2019). Machine and deep learning for sport-specific movement recognition: A systematic review of model development and performance. Journal of Sports Sciences, 37(5), 568-600. https://doi.org/10.1080/02640414.2018.1521769
Devanandan, M., Rasaratnam, V., Anbalagan, M. K., Asokan, N., Panchendrarajan, R., & Tharmaseelan, J. (2021). Cricket Shot Image Classification Using Random Forest. In 2021 3rd International Conference on Advancements in Computing (ICAC) (pp. 425-430). Colombo, Sri Lanka. https://doi.org/10.1109/ICAC54203.2021.9671109.
Kovalchik, S. A., & Reid, M. (2017). Comparing matchplay characteristics and physical demands of junior and professional tennis athletes in the era of big data. Journal of sports science & medicine, 16(4), 489-497. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5721178/
Ó Conaire, C., Connaghan, D., Kelly, P., O'Connor, N. E., Gaffney, M., & Buckley, J. (2010). Combining inertial and visual sensing for human action recognition in tennis. Proceedings of the first ACM international workshop on Analysis and retrieval of tracked events and motion in imagery streams, 51-56. https://doi.org/10.1145/1877868.1877882
O’Donoghue, P. (2005). Normative Profiles of Sports Performance. International Journal of Performance Analysis in Sport, 5(1), 104-119. https://doi.org/10.1080/24748668.2005.11868319
Sakoe, H., & Chiba, S. (1978). Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 26(1), 43-49. https://doi.org/10.1109/TASSP.1978.1163055
Shah, H., Chokalingam, P., Paluri, B., Pradeep, N., & Raman, B. (2007). Automated stroke classification in tennis. In Image Analysis and Recognition: 4th International Conference, ICIAR 2007, Montreal, Canada, August 22-24, 2007. Proceedings 4 (pp. 1128-1137). Springer Berlin Heidelberg.
Takahashi, H., Okamura, S., & Murakami, S. (2022). Performance analysis in tennis since 2000: A systematic review focused on the methods of data collection. International Journal of Racket Sports Science, 4(2), 40-55. https://doi.org/10.30827/Digibug.80900
Yoshida, S., Kitajima, E., & Miyata, R. (2021). Analyzing the motion of service on tennis using a pose-estimation model. In IEICE Conferences Archives [in Japanese].
Zhu, G., Xu, C., Huang, Q., & Gao, W. (2006). Action recognition in broadcast tennis video. 18th International Conference on Pattern Recognition (ICPR'06), 1, 251-254.
Derechos de autor 2023 International Journal of Racket Sports Science
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
_(1).png)
