ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-09022014-185653


Tipo di tesi
Tesi di laurea magistrale
Autore
GANI, ROBERTO
URN
etd-09022014-185653
Titolo
Riconoscimento di attività nel gioco del calcio tramite accelerometri inerziali, per il supporto alla prestazione dell’atleta
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Prof. Mangione, Maurizio
correlatore Dott. Chessa, Stefano
controrelatore Prof. Positano, Vincenzo
Parole chiave
  • boundary condition
  • slope constraint
  • reservoir
  • recorsive
  • machine learning
  • template matcing
  • pattern matcing
  • activity recognition
Data inizio appello
23/09/2014
Consultabilità
Completa
Riassunto
RIASSUNTO

L’obiettivo del presente lavoro di tesi è riconoscere delle attività umane usando dei sensori inerziali, per applicazioni in ambito calcistico.
Dopo una descrizione introduttiva delle tecnologie utilizzate nello sport e degli scopi perseguiti, sono quindi presentate le fasi generali che caratterizzano il riconoscimento di attività umane e le principali tecnologie usate: sistemi di visione artificiale e sensori inerziali.
La parte pratica del lavoro comincia affrontando problemi di acquisizione con sensori mote programmati in linguaggio NesC. Si prosegue elaborando i segnali registrati in ambiente Matlab, proponendo un metodo empirico per isolare il contenuto informativo utile dei segnali.
Nella successiva fase di classificazione delle attività sono descritti i principali metodi esistenti in letteratura, tra i quali si sono utilizzati due metodi di Template Matching: la Correlazione incrociata ed il Weigth Derivate Dynamic Time Warping (WDDTW).
Per implementare l’algoritmo WDDTW è stato considerato il più comune Dynamic Time Warping (DTW), ottimizzato con la derivata dei dati e la funzione peso Modified Logistic Weigth Function (MLWF).
Entrambi i metodi di Template Matching, sviluppati in Matlab, hanno presentato dei limiti nella classificazione delle attività proposte. Le migliori percentuali di successo comunque, sono state registrate con l’utilizzo del solo asse longitudinale agli arti e al busto dell’atleta.
Per cercare di migliorare i risultati di classificazione, sono in seguito state utilizzate delle Reti Neurali ESN implementate in codice Java. Queste, pur rappresentando un approccio iniziale all’utilizzo di tecniche di classificazione più potenti, hanno restituito buoni miglioramenti nelle percentuali di successo e di errore, facendo ottenere una percentuale media di successo nella classificazione del 77,81%.