Detalles clave

Mejora de la precisión de un modelo de reconocimiento de actividades mediante 48%.

Cliente

Una empresa internacional de IoT que proporciona nuevos tipos de experiencias al público en conciertos y eventos deportivos.

Reto: predecir los momentos de tensión en los partidos de baloncesto

El cliente de ESSID Solutions necesitaba un modelo que pudiera predecir lo que el jugador de baloncesto estaba haciendo en un momento dado: estar de pie, caminar, correr o acciones mixtas (por ejemplo, los momentos de saltar, luchar por un balón, atacar o defenderse de los jugadores contrarios). El cliente tenía previsto integrar ese modelo en su solución para predecir momentos de tensión en los juegos.

Solución: creación de un modelo de reconocimiento de la actividad humana basado en datos de sensores

El equipo de ciencia de datos de ESSID Solutions recibió un conjunto de datos grabados durante un partido de baloncesto real. Los jugadores de baloncesto llevaban camisetas con un sensor acelerómetro integrado. El objetivo era clasificar las actividades basándose en esas señales.

El equipo de Ciencia de Datos empezó trazando muestras de datos de señales y revisándolas, pero descubrió que el etiquetado de los datos de las muestras era de mala calidad. Etiquetar los movimientos de los atletas con una precisión de un segundo es muy difícil. Además, uno de los sensores del jugador estaba desincronizado con el registro del tiempo del juego. Por eso, el primer modelo se construyó para sincronizar todos los sensores de los atletas con el tiempo real del juego.

Tras sincronizar los sensores, el equipo de ESSID Solutions creó una herramienta que permitía corregir fácilmente los errores de etiquetado. La herramienta visualizaba las señales de los sensores, el vídeo y las etiquetas iniciales en una sola pantalla, por lo que era fácil darse cuenta de los errores y corregirlos. La corrección de errores mejoraría significativamente el rendimiento del modelo en el futuro.

Soluciones ESSID expertos en ciencia de datos se pasó a la extracción de características y el modelado. Tras experimentar con distintos métodos, los mejores resultados se obtuvieron con el algoritmo de regresión logística. El equipo ha construido con éxito un modelo que se entrenó con un conjunto determinado de jugadores y que puede aplicarse a otros jugadores en el futuro.

Resultado: un modelo preciso

El equipo de ESSID Solutions entregó un modelo preciso de reconocimiento de actividades que estaba listo para integrarse en el sistema del cliente para predecir momentos tensos en el baloncesto. juegos.