Principais pormenores

Melhoria da precisão de um modelo de reconhecimento de actividades por 48%.

Cliente

Uma empresa internacional de IoT que proporciona novos tipos de experiências ao público em concertos e eventos desportivos.

Desafio: prever momentos de tensão em jogos de basquetebol

O cliente da ESSID Solutions precisava de um modelo que pudesse prever o que o jogador de basquetebol estava a fazer num determinado momento: parado, a andar, a correr ou acções mistas (por exemplo, os momentos de saltar, lutar por uma bola, atacar ou defender-se dos jogadores adversários). O cliente planeava integrar esse modelo no seu solução para prever momentos de tensão nos jogos.

Solução: construir um modelo de reconhecimento da atividade humana com base em dados de sensores

A equipa de ciência de dados da ESSID Solutions recebeu o conjunto de dados gravados durante um jogo de basquetebol real. Os jogadores de basquetebol estavam equipados com camisolas com um sensor acelerómetro incorporado. O objetivo era classificar as actividades com base nesses sinais.

A equipa de ciência de dados começou por traçar amostras de dados de sinais e analisá-las, mas descobriu que a rotulagem dos dados das amostras era de má qualidade. Rotular os movimentos dos atletas com uma precisão de apenas um segundo é muito difícil. Para além disso, um dos sensores do jogador estava dessincronizado com a contagem de tempo do jogo. Por isso, o primeiro modelo foi construído para sincronizar os sensores de todos os atletas com o registo de tempo real do jogo.

Depois de sincronizar os sensores, a equipa da ESSID Solutions construiu uma ferramenta que permitiu corrigir facilmente os erros na etiquetagem. A ferramenta visualizava os sinais dos sensores, o vídeo e as etiquetas iniciais num único ecrã, pelo que era fácil reparar nos erros e corrigi-los. A correção de erros melhoraria significativamente o desempenho do modelo no futuro.

Soluções ESSID especialistas em ciência de dados passou à extração e modelação de caraterísticas. Depois de experimentar diferentes abordagens, os melhores resultados foram obtidos utilizando o algoritmo de regressão logística. A equipa construiu com sucesso um modelo que foi treinado num determinado conjunto de jogadores e que pode ser aplicado a outros jogadores no futuro.

Resultado: modelo com desempenho exato

A equipa da ESSID Solutions forneceu um modelo preciso de reconhecimento de atividade que estava pronto para ser integrado no sistema do cliente para prever momentos de tensão no basquetebol jogos.