Uso de Redes Neurais Artificiais para Classificar Padrões de Corrida em Esteira Ergométrica em Esportes de Alto Desempenho

• Sergio Baldo Junior Universidade de São Paulo
• Paulo Santiago Universidade de São Paulo
• Renato Tinós Universidade de São Paulo

DOI: https://doi.org/10.5753/eniac.2020.12114

Resumo

Conseguir classificar padrões de corrida, principalmente aqueles associados à fadiga, pode auxiliar na elaboração de treinos mais eficientes e na prevenção de lesões em esportes de alto rendimento. Todavia, essa tarefa não é trivial devido à complexidade dos padrões. Uma alternativa interessante é utilizar métodos de Aprendizado de Máquina, como Redes Neurais Artificiais (RNAs), para classificar padrões de corrida. Nesta pesquisa, sinais de força são obtidos por sensores de carga acoplados à base de uma esteira ergométrica open source de baixo custo. O objetivo é indicar ao usuário a ocorrência de fadiga durante o treinamento com base nos padrões de corrida. Diferentes atributos são extraídos dos sinais temporais gerados durante sessões de treino. Os exemplos obtidos são então classificados por uma RNA. Os resultados experimentais indicam que a RNA é capaz de classificar com boa acurácia os padrões de corrida. Experimentos considerando-se diferentes cenários indicam que a eficiência do classificador foi influenciada pelo dia e etapa das sessões de treinamento.

Palavras-chave: Redes neurais artificiais, esportes, padrões de corrida

Referências

Achille, A., Lam, M., Tewari, R., Ravichandran, A., Maji, S., Fowlkes, C., Soatto, S., and Perona, P. (2019). Task2Vec: Task Embedding for Meta-Learning.

Aguiar, G. J., Mantovani, R. G., Mastelini, S. M., de Carvalho, A. C., Campos, G. F., and Junior, S. B. (2019). A meta-learning approach for selecting image segmentation algorithm. Pattern Recognition Letters, 128:480–487.

Bay, H., Tuytelaars, T., and Van Gool, L. (2006). Surf: Speeded up robust features. In European conference on computer vision, pages 404–417. Springer.

Chao, W.-L., Ye, H.-J., Zhan, D.-C., Campbell, M., and Weinberger, K. Q. (2020). Revisiting Meta-Learning as Supervised Learning.

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research, 7(Jan):1–30.

Fernández-Delgado, M., Cernadas, E., Barro, S., and Amorim, D. (2014). Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Journal of Machine Learning Research, 15:3133–3181.

Krizhevsky, A. and Hinton, G. (2009). Learning multiple layers of features from tiny images. Technical report, Citeseer.

Lorena, A. C., Maciel, A. I., de Miranda, P. B., Costa, I. G., and Prudêncio, R. B. (2018). Data complexity meta-features for regression problems. Machine Learning, 107(1):209–246.

Miranda, P. B., Prudêncio, R. B., De Carvalho, A. P., and Soares, C. (2014). A hybrid meta-learning architecture for multi-objective optimization of svm parameters. Neurocomputing, 143:27–43.

Olson, D. L. (2004). Comparison of weights in topsis models. Mathematical and Computer Modelling, 40(7-8):721–727.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. Journal of machine learning research, 12(Oct):2825–2830.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1–9.

Takemoto, S. and Yokota, H. (2009). Algorithm selection for intracellular image segmentation based on region similarity. In 2009 Ninth International Conference on Intelligent Systems Design and Applications, pages 1413–1418. IEEE.

Tan, M., Chen, B., Pang, R., Vasudevan, V., Sandler, M., Howard, A., and Le, Q. V. (2019). Mnasnet: Platform-aware neural architecture search for mobile. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 2820–2828.

Wang, S., Sun, L., Fan, W., Sun, J., Naoi, S., Shirahata, K., Fukagai, T., Tomita, Y., Ike, A., and Hashimoto, T. (2017). An automated cnn recommendation system for image classification tasks. In 2017 IEEE International Conference on Multimedia and Expo (ICME), pages 283–288. IEEE.

Yong, X., Feng, D., Rongchun, Z., and Petrou, M. (2005). Learning-based algorithm selection for image segmentation. Pattern Recognition Letters, 26(8):1059–1068.

Zoph, B., Vasudevan, V., Shlens, J., and Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 8697–8710.