Automatic detection of passing and shooting in water polo using machine learning: a feasibility study
Notice bibliographique
Résumé
There is currently no efficient way to quantify overhead throwing volume in water polo. Therefore, this study aimed to test the feasibility of a method to detect passes and shots in water polo automatically using inertial measurement units (IMU) and machine-learning algorithms. Eight water polo players wore one IMU sensor on the wrist (dominant hand) and one on the sacrum during six practices each. Sessions were filmed with a video camera and manually tagged for individual shots or passes. Data were synchronised between video tagging and IMU sensors using a cross-correlation approach. Support vector machine (SVM) and artificial neural networks (ANN) were compared based on sensitivity and specificity for identifying shots and passes. A total of 7294 actions were identified during the training sessions, including 945 shots and 5361 passes. Using SVM, passes and shots together were identified with 94.4% (95%CI = 91.8-96.4) sensitivity and 93.6% (95%CI = 91.4-95.4) specificity. Using ANN yielded similar sensitivity (93.0% [95%CI = 90.1-95.1]) and specificity (93.4% [95%CI = 91.1 = 95.2]). The results suggest that this method of identifying overhead throwing motions with IMU has potential for future field applications. A set-up with one single sensor at the wrist can suffice to measure these activities in water polo.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».