Wie unterstützen Wearables und maschinelles Lernen die Analyse von Bewegungsmustern auf der Skipiste?
Originalpublikation: Wearable Sensors and Computational Intelligence in Alpine Skiing Analysis
Die Studie in Kürze
Signalverarbeitung und maschinelles Lernen an realen Pistendaten: Aus Beschleunigungs-, Drehraten- und Positionsdaten lassen sich Schwungwechsel erkennen und die Belastungsverteilung zwischen den Beinen beschreiben.
Forschungsziel & Methodik
Datenaufnahme unter realen Bedingungen an einem Berghang mit Sensoren an beiden Beinen für Beschleunigung und Drehrate bei 100 Hz, einem Garmin-GNSS-Empfänger bei 1 Hz und einer GoPro-Kamera. Ausgewertet wurden drei Testabfahrten. Aus diskreter Fourier- und Wavelet-Transformation gewonnene Merkmale wurden mit k-nächsten Nachbarn, Support Vector Machine, einem Bayes-Verfahren und einem zweischichtigen neuronalen Netz klassifiziert und mit zehnfacher Kreuzvalidierung geprüft.
Empirische Ergebnisse & Datenbasis
Die Energieverteilung zwischen linkem und rechtem Bein verläuft vor und nach dem Schwung gegenläufig. Die Klassifikation linker und rechter Schwünge gelingt vor dem Schwung mit einer Trefferquote von 98,1 % und nach dem Schwung mit 90,7 %.
Implikationen für die Praxis (Skigebiete & Wintersportler)
Für Skischulen und technikinteressierte Skifahrer: Die Auswertung macht Seitenunterschiede im Bewegungsablauf messbar, die von außen schwer zu beurteilen sind. Der Umfang der Erhebung ist allerdings gering, die Ergebnisse beruhen auf drei Testabfahrten.