Assessing Deep Learning Techniques for Ice Hockey Human Activity Recognition from Game Simulated IMU Data: A Comparative Analysis of CNN, Transformer, and Hybrid Models

L'introduction de l'intelligence artificielle (IA) a révolutionné la manière dont les données sportives sont collectées et analysées, ouvrant de nouvelles possibilités en matière de recherche et de performance dans le domaine des sciences du sport. La reconnaissance de l'activité humaine (RAH) dans le hockey sur glace reposait traditionnellement sur l'annotation et l'analyse manuelle par des humains, une tâche fastidieuse qui est sujette à des erreurs et à des biais. En associant des algorithmes d'IA à des données de mouvement provenant de capteurs portables, il est possible de développer et de mettre en œuvre des modèles de reconnaissance de l'activité humaine afin d'obtenir des informations plus approfondies, efficaces et plus significatives sur les données relatives au hockey. Les objectifs de cette recherche étaient de comparer trois réseaux neuronaux d'apprentissage profond distincts dans leurs capacités à classer huit événements de joueurs de hockey sur glace à l'aide de données d'accéléromètre portables et de déterminer la configuration de capteur optimale pour cette tâche. Pour atteindre ces objectifs, cette étude a enregistré 48 joueurs de hockey effectuant des tirs et d'autres événements de hockey dans un environnement de simulation de jeu à l'aide de 17 unités de mesure inertielle (UMI) portables. Les séquences vidéo des essais des participants ont été utilisées comme vérité de terrain pour l'étiquetage des données UMI. Les données d'accélération segmentées et étiquetées ont ensuite été utilisées pour développer et comparer trois architectures de modèles d'apprentissage profond: une approche traditionnelle (réseau neuronal convolutif (CNN)), une approche moderne (réseau Transformer) et une approche hybride combinant les avantages des deux modèles (CNN-Transformer Hybride). Pour approfondir l'étude, les trois architectures de modèles ont été entraînées et testées sur trois configurations de capteurs différentes. Ces configurations comprenaient une configuration à 17 capteurs comprenant des UMI sur tous les segments du corps, une configuration à 3 capteurs comprenant des UMI sur les mains et le sternum, et une configuration à 2 capteurs comprenant une UMI sur chaque main. Les résultats ont révélé que les modèles hybrides étaient plus performants que les autres modèles, obtenant le score F1 moyen le plus élevé pour les trois configurations de capteurs (81,9 %), suivis par les modèles CNN (79,5 %) et les modèles Transformer (74,4 %). Le modèle individuel le plus performant était le modèle hybride à trois capteurs, qui a obtenu un score F1 de (83,7 %). Les modèles ont tous démontré leur capacité à différencier des tâches avec des mouvements différents (par exemple, tir frappé versus passe) mais ont eu de la difficulté à différencier des tâches avec des modèles de mouvements similaires (par exemple, tir frappé versus one-timer). Les résultats de cette étude peuvent avoir un impact positif sur l'évolution de la détection et de l'analyse des données de mouvement dans les environnements de jeu réels. Ces progrès ont des implications importantes pour les entraîneurs, les joueurs et les analystes en soutenant le développement de la technologie de l'IA pour la détection des blessures et la rééducation, le suivi des performances en temps réel et l'optimisation des techniques afin d'améliorer les performances des joueurs

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.