Development of a machine learning based classification system for electronic martial arts equipment data

Abstract

As in many other research fields, information technology is being used in the domain of sports for the implementation of various enhancements, among which is also the enhancement of the performance improvement analysis for athletes. Specifically for Martial Arts, a sensor based hardware system for collecting data about the execution of boxing punches was developed by domain experts and researchers with the aim to facilitate the performance assessment and provide automatic feedback to athletes. This system called "SmartGloves" consists of boxing gloves with embedded sensors that can measure the acceleration and angular velocity of a hand during a strike as well as the force of impact. In order to improve this system, domain experts suggested the integration of automatic striking technique and strike target object recognition. Hence, this thesis focuses on evaluating the suitability of machine learning for implementing and integrating such recognition mechanisms. The aim of this thesis is to evaluate whether, based on the data of the SmartGloves, classification models can be implemented that are capable of classifying the striking technique and strike target object with an accuracy of at least 85%.Thereby, the performance of several different machine learning models is examined by using state-of-the art methods and procedures from the domain of machine learning and data science. For training and testing the supervised machine learning models, a labeled dataset is created during an experiment with 13 athletes from the domain of Martial Arts, resulting in a total number of 3453 punch samples. Finally, the created models are integrated into the existing system by implementing a classification API which is then used for the validation of the models during a second experiment with eight athletesrendering a broad selection of characteristics within the general population (based on gender, height and experience). The results show that the classification of the striking technique is possible with an accuracy of at least 89%. However, for the target object classification, based on the data from the validation experiment, only an accuracy of 75% was achieved.

So wie in vielen anderen Forschungsgebieten wird auch im Bereich des Sports Informationstechnologie genutzt, um verschiedenste Verbesserungen zu erreichen, wie beispielsweise die Verbesserung der Leistungsanalyse für die Leistungssteigerung von SportlerInnen. Speziell für den Kampfsportbereich wurde ein sensorbasiertes Hardware System für das Sammeln von Boxschlagdaten entwickelt, mit dem Ziel, anhand der Daten eine genaue Leistungsanalyse zu ermöglichen und SportlerInnen Feedback zu liefern. Das System, welches "SmartGloves" genannt wird, besteht aus Boxhandschuhen mit verbauten Sensoren, welche einerseits die Beschleunigung und Drehwinkelgeschwindigkeit der Hand während der Ausführung eines Boxschlags messen und andererseits die Krafteinwirkung beim Aufprall der Hand auf ein Schlagziel erfassen können. Um nun das System zu verbessern, wurde von Experten aus dem Kampfsportbereich vorgeschlagen, eine automatische Erkennung der Schlagtechnik sowie des Schlagziels zu integrieren. Der Fokus dieser Diplomarbeit ist daher zu evaluieren, wie geeignet eine Machine Learning basierte Lösung für die Erkennung von Schlagtechnik und Schlagziel ist. Das Ziel ist dabei zu beurteilen, ob es basierend auf den Daten der SmartGloves möglich ist, Klassifizierungsmodelle zu implementieren, welche mit einer Genauigkeit von mindestens 85% die Schlagtechnik sowie das Schlagziel erkennen können. Dafür wird die Performanz von mehreren unterschiedlichen Machine Learning Modellen mittels state-of-the-art Methoden und Prozeduren aus dem Machine Learning und Data Science Bereich untersucht. Für das Trainieren sowie Testen der Modelle wird dabei während eines Experiments mit 13 KampfsportlerInnen ein gelabelter Datensatz erstellt, welcher insgesamt Daten von 3453 Boxschlägen enthält. Anschließend werden die Modelle mit der höchsten Genauigkeit mittels einer API für die Klassifizierung der Schlagdaten integriert, um schließlich die Modelle während eines zweiten Experiments mit weiteren acht SportlerInnen mit verschiedenen Eigenschaften (Geschlecht, Körpergröße und Erfahrungslevel) zu validieren. Die Ergebnisse zeigen, dass die Klassifizierung von Schlagtechniken mit einer Genauigkeit von mindestens 89% möglich ist, wobei für die Klassifizierung des Schlagziels beim Validierungsexperiment nur eine Genauigkeit von etwa 75% erzielt werden konnte.