Wichtige Details

Verbesserte Genauigkeit eines Aktivitätserkennungsmodells durch 48%.

Kunde

Ein internationales IoT-Unternehmen, das dem Publikum bei Konzerten und anderen Veranstaltungen neuartige Erfahrungen bietet. Sportereignisse.

Herausforderung: Vorhersage spannender Momente in Basketballspielen

Der Kunde von ESSID Solutions benötigte ein Modell, das vorhersagen konnte, was der Basketballspieler zu einem bestimmten Zeitpunkt tat: Stehen, Gehen, Laufen oder gemischte Aktionen (z. B. die Momente des Springens, des Kampfes um einen Ball, des Angriffs oder der Verteidigung gegen gegnerische Spieler). Der Kunde plante, dieses Modell in sein System zu integrieren. Lösung für die Vorhersage angespannte Momente bei den Spielen.

Lösung: Erstellung eines Modells zur Erkennung menschlicher Aktivitäten auf der Grundlage von Sensordaten

Dem Data-Science-Team von ESSID Solutions wurde ein Datensatz zur Verfügung gestellt, der während eines echten Basketballspiels aufgezeichnet wurde. Die Basketballspieler waren mit Trikots ausgestattet, in die Beschleunigungssensoren integriert waren. Das Ziel war es, die Aktivitäten auf der Grundlage dieser Signale zu klassifizieren.

Das Data-Science-Team begann mit der Aufzeichnung von Signaldatenproben und deren Überprüfung, um dann festzustellen, dass die Datenbeschriftung der Proben von schlechter Qualität war. Es ist sehr schwierig, die Bewegungen der Sportler mit einer Genauigkeit von nur einer Sekunde zu beschriften. Außerdem war einer der Sensoren des Spielers nicht mit der Zeitmessung des Spiels synchronisiert. Deshalb wurde das erste Modell entwickelt, um alle Sensoren der Athleten mit der tatsächlichen Zeitspur des Spiels zu synchronisieren.

Nach der Synchronisierung der Sensoren hat das Team von ESSID Solutions ein Tool entwickelt, mit dem sich die Fehler in der Beschriftung leicht beheben ließen. Das Tool visualisierte die Sensorsignale, das Video und die ursprünglichen Beschriftungen auf einem Bildschirm, so dass es einfach war, die Fehler zu erkennen und zu beheben. Die Fehlerbehebung würde die Leistung des Modells in Zukunft erheblich verbessern.

ESSID-Lösungen Data-Science-Experten ging es weiter zur Merkmalsextraktion und Modellierung. Nach dem Experimentieren mit verschiedenen Ansätzen wurden die besten Ergebnisse mit dem Algorithmus der logistischen Regression erzielt. Das Team hat erfolgreich ein Modell erstellt, das mit einer bestimmten Gruppe von Spielern trainiert wurde und in Zukunft auf andere Spieler angewendet werden kann.

Ergebnis: ein genaues Modell

Das Team von ESSID Solutions lieferte ein präzises Aktivitätserkennungsmodell, das in das System des Kunden zur Vorhersage spannender Momente im Basketball integriert werden konnte. Spiele.