Samenvatting

Door verbeteringen in Inertia Mesurement Unit (IMU) technologie, is hoogwaardig observationeel onderzoek mogelijk. Echter, bij observationeel onderzoek moet veel meer databewerking gedaan worden. Bedrijven zoals Movella zijn geïnteresseerd in de implementatie van Machine Learning (ML), waarbij verschillende bewegingen automatisch gedetecteerd worden aan de hand van de data uit op het lichaam geplaatste IMU’s, om werk van de gebruiker te verlichten. Een ML algoritme zou hierbij breed inzetbaar en niet complex van aard moeten zijn, zodat de gebruiker zelf kan selecteren wat automatisch gedetecteerd moet worden. In dit project wordt, aan de hand van een casusopdracht waarbij blessuregevoelige bewegingen in het voetbal worden geclassificeerd, gekeken of een algemeen inzetbaar ML model gemaakt kan worden van minder complex ML algoritme.
Drie voetballers zijn met behulp van het Awinda-meetsysteem geobserveerd tijdens het trainen. Data van deze metingen is handmatig gecategoriseerd in vier verschillende bewegingen: drie blessuregevoelige bewegingen in de vorm van schoppen, veranderen van richting op snelheid en rennen en een vierde beweging: lopen. Parameters zijn softwarematig geclusterd tot features. Hierna zijn datapunten na het filteren toegekend aan één van de vier bewegingen en gebalanceerd en geschaald. Voor het model is gekozen voor een Support Vector Classifier, in combinatie met Recursive Feature Elimination en Kruisvalidatie.
Ter evaluatie is gekeken naar de nauwkeurigheid van het model en of de features een significant effect hadden voor het classificeren van de datapunten. De nauwkeurigheid van het model was 52,8% (SD: 0,043). De P-waarde voor de significantie van de features was 0,528 (SD: 0,010). Het model was niet voldoende om bewegingen te classificeren. Dit komt hoogstwaarschijnlijk omdat elk datapunt apart werd geëvalueerd in plaats van een serie van opvolgende datapunten, oftewel timeseries-data. Verder onderzoek moet kijken naar algoritmes waarbij timeseries-data geanalyseerd kan worden, waarbij meer data beschikbaar is voor deze analyse.