Skeitborda triku klasifikācijas metodes izmantojot mašīnmācīšanos ar IMU sensoru datiem

Abstract

Mūsdienās arvien vairāk tiek izmantoti valkājamie sensori, it īpaši sportā, tajā skaitāskeitbordā. Apvienojumā ar mašīnmācīšanos šīs ierīces spēj sniegt informāciju par sportistaveiktajām darbībām, skeitbordā tas būtu par izpildītajiem trikiem. Šī darba ietvaros ir apzinātipašreizējie risinājumus skeitborda triku atpazīšanā, kā arī izstrādāts jauns risinājums, kas sevīietver papildus sensoru izvietošanu uz sportista ķermeņa. Darbā tiek salīdzinātas dažādasmašīnmācīšanās metodes triku klasificēšanai, kā arī izpētīta papildus sensoru ietekme uzprecizitāti, palielinot atpazīstamo triku skaitu.

Nowadays wearable sensors are being used more and more, especially in sports,including skateboarding. In combination with machine learning, these devices can provideinformation about the activities performed by the athlete, in skateboarding it would be theperformed tricks. Within the scope of this work, the current solutions for skateboard trickclassification have been analyzed, as well as a novel solution has been proposed, whichincludes the placement of additional sensors on the athlete’s body. The thesis comparesdifferent machine learning methods for trick classification, as well as investigates the effect ofadditional sensors on the classification precision as the number of classified tricks areincreased.