Détails clés

Amélioration de la précision d'un modèle de reconnaissance d'activité par 48%.

Client

Une société internationale d'IdO qui offre de nouveaux types d'expériences au public lors de concerts et d'événements. événements sportifs.

Défi : prédire les moments de tension dans les matchs de basket-ball

Le client d'ESSID Solutions avait besoin d'un modèle capable de prédire ce que le joueur de basket-ball faisait à un moment donné : debout, en marchant, en courant, ou des actions mixtes (par exemple, les moments de saut, de lutte pour un ballon, d'attaque ou de défense contre des joueurs adverses). Le client prévoyait d'intégrer ce modèle dans son système d'information. solution pour prédire moments de tension dans les jeux.

Solution : construction d'un modèle de reconnaissance de l'activité humaine basé sur des données de capteurs

L'équipe de science des données d'ESSID Solutions a reçu l'ensemble des données enregistrées lors d'un vrai match de basket. Les joueurs de basket étaient équipés de maillots avec des capteurs d'accéléromètre intégrés. L'objectif était de classer les activités sur la base de ces signaux.

L'équipe chargée de la science des données a commencé par tracer des échantillons de données de signaux et à les examiner, mais elle s'est aperçue que l'étiquetage des données des échantillons était de mauvaise qualité. Il est très difficile d'étiqueter les mouvements des athlètes avec une précision d'une seconde. De plus, l'un des capteurs du joueur était désynchronisé par rapport au temps du jeu. C'est pourquoi le premier modèle a été construit pour synchroniser tous les capteurs des athlètes avec le temps réel du jeu.

Après avoir synchronisé les capteurs, l'équipe d'ESSID Solutions a construit un outil qui a permis de corriger facilement les erreurs d'étiquetage. L'outil visualise les signaux des capteurs, la vidéo et les étiquettes initiales sur un seul écran, de sorte qu'il était facile de remarquer les erreurs et de les corriger. La correction des erreurs permettrait d'améliorer considérablement les performances du modèle à l'avenir.

Solutions ESSID experts en science des données est passé à l'extraction des caractéristiques et à la modélisation. Après avoir expérimenté différentes approches, les meilleurs résultats ont été obtenus avec l'algorithme de régression logistique. L'équipe a réussi à construire un modèle qui a été formé sur un ensemble donné de joueurs et qui peut être appliqué à d'autres joueurs à l'avenir.

Résultat : un modèle performant

L'équipe d'ESSID Solutions a fourni un modèle de reconnaissance d'activité précis qui était prêt à être intégré dans le système du client pour prédire les moments de tension au basket-ball. jeux.