Return to search

Classifica??o de manobras de skate atrav?s de acelerometria e redes neurais artificiais

Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-10-31T19:10:47Z
No. of bitstreams: 1
dissertacao_Nicholas_Correa.pdf: 4887337 bytes, checksum: bbb103765cb34dd0f4606f6e4681234c (MD5) / Rejected by Caroline Xavier (caroline.xavier@pucrs.br), reason: Devolvida "tarefa", devido a arquivo PDF estar sem a folha de rosto (folha com as informa??es principais), passando direto da capa para a ficha catalogr?fica. on 2017-11-10T13:48:15Z (GMT) / Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-11-24T11:54:51Z
No. of bitstreams: 1
NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-12-01T12:53:14Z (GMT) No. of bitstreams: 1
NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Made available in DSpace on 2017-12-01T12:56:20Z (GMT). No. of bitstreams: 1
NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5)
Previous issue date: 2017-08-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPES / Skateboarding is one of the most popular cultures in Brazil, with more
than 8.5 million skateboarders. Today Skateboarding is more recognize as a
true sports discipline, also given by its debut on the Olympic Games in Tokyo
2020.
The present study aims to develop methods detection and classification
of Skateboarding flat ground tricks, using a Inertial Module Unit (IMU) allied whit
Artificial Neural Networks (ANN). Using state of the art knowledge on movement
detection in Skateboarding, 181 artificial flat ground tricks divided between 5
different classes were generated, equivalent to 543 signals (X, Y and Z) of
acceleration. A classification heuristic based on cross-correlation coefficients
was applied to the discriminate between classes, and using the Neural Network
Toolbox a Multilayer Feed Forward Network was architect with three layers and
a scaled conjugate gradient back propagation algorithm.
The results showed that with the use of ANNs trained specifically for
each axis measured by the IMU, being the Z-axis the best differentiator, we can
reach error percentages inferior to 0.05 %, with a computational efficiency that
makes real time applications possible.
Machine learning is a useful tool in pattern recognition of complex
movements, as long that the classifiers are properly architected and the task is
expressed with clarity this technique is a promising application in Exergames
and motion detection. / Skate ? uma das culturas mais populares no Brasil, com mais de 8.5
milh?es de adeptos. O movimento esportivo atualmente se encontra em uma
fase de grande crescimento, dada inclusive a estr?ia da modalidade nos Jogos
Ol?mpicos em T?quio 2020.
O presente estudo teve como objetivo desenvolver t?cnicas de detec??o
e classifica??o de manobras de Street Skate, utilizando sensores inerciais IMU
(Inertial Module Unit) e Redes Neurais Artificiais (RNA).
Utilizando conhecimento do estado da arte em detec??o de movimentos
no Skate, foram gerados 181 registros artificiais, resultando em 543 sinais de
acelera??o (X, Y e Z) divididos entre 5 classes de manobras. Foi desenvolvida
uma heur?stica de classifica??o utilizando coeficientes de correla??o cruzada
para discriminar cada classe, e com a Neural Network Toolbox foi criada uma
Multilayer Feed Forward Network de tr?s camadas treinada atrav?s de um
algoritmo de aprendizagem supervisionado (scaled conjugate gradient
backpropagation).
Os resultados mostraram que com a utiliza??o de RNAs treinadas
especificamente para cada eixo, sendo o eixo Z o maior discriminador,
podemos alcan?ar um percentual de erro inferior a 0.05%, com uma efici?ncia
computacional que disponibiliza respostas em tempo real.
Aprendizado de m?quina ? uma podersoa ferramenta na classifica??o
de padr?es de movimento complexos, contanto que os classificadores sejam
arquitetados de maneira eficiente e o problema proposto de maneira clara,
essa t?cnica possui promissoras aplica??es para Exergames e detec??o de
movimentos.

Identiferoai:union.ndltd.org:IBICT/oai:tede2.pucrs.br:tede/7756
Date31 August 2017
CreatorsCorr?a, Nicholas Kluge
ContributorsSantos, Marlise Araujo dos
PublisherPontif?cia Universidade Cat?lica do Rio Grande do Sul, Programa de P?s-Gradua??o em Engenharia El?trica, PUCRS, Brasil, Faculdade de Engenharia
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da PUC_RS, instname:Pontifícia Universidade Católica do Rio Grande do Sul, instacron:PUC_RS
Rightsinfo:eu-repo/semantics/openAccess
Relation207662918905964549, 500, 500, 500, 600, -655770572761439785, 4518971056484826825, 2075167498588264571

Page generated in 0.0017 seconds