Étude comparative de la classification des coups droits au tennis de table utilisant l'apprentissage profond et SVM

Les capteurs d'objets sont largement utilisés pour la capture de mouvement, en particulier dans l'analyse du mouvement sportif pour la classification des coups. Dans cet article, une étude comparative a été réalisée pour examiner la classification des coups droits de trois modèles d'apprentissage automatique (ML) au tennis de table. La machine à vecteurs de support (SVM) avec fonction de noyau à base radiale (RBF), la mémoire à court et long terme (LSTM) et le réseau neuronal convolutionnel à deux dimensions (2D-CNN) sont considérés. L'ajustement des paramètres des modèles et l'examen des sensibilités des modèles au nombre de jeux de données d'entraînement et au type de données sont étudiés. Tous les modèles ont été entraînés et testés sur les signaux de coups droits de tennis de table, qui ont été collectés auprès de joueurs professionnels et novices. Un capteur BNO055 a été fixé au centre de la raquette standard en tant que capteur d'objet pour mesurer les signaux des coups. Pour fournir une évaluation de la robustesse de tous les modèles au type de jeu de données, l'étude utilise 80 % des échantillons de coups des joueurs novices pour tester la précision de classification. Les résultats empiriques suggèrent que la classification LSTM et 2D-CNN offre des performances nettement supérieures, avec une augmentation de performance d'environ 7 % par rapport au RBF-SVM. De plus, dans le cas de la sensibilité des modèles au nombre d'échantillons d'entraînement, on peut dire que la performance du modèle LSTM sur le jeu de données auto-collecté n'est pas significativement sensible au nombre d'échantillons d'entraînement. Cependant, le nombre de paramètres développés pour le RBF-SVM est significativement inférieur à celui des deux autres modèles profonds et est facile à paramétrer. L'étude montre que le modèle LSTM modifié a obtenu de meilleures performances que les deux autres modèles.