Unsupervised explainable activity prediction in competitive Nordic Walking from experimental data

要約

人工知能 (AI) は、競技スポーツにおける人間活動認識 (HAR) に応用されています。
これまで、HAR のほとんどの機械学習 (ML) アプローチはオフライン (バッチ) トレーニングに依存しており、オンライン処理の教師なしアプローチと比較して、高い計算負荷とタグ付け負荷を課していました。
さらに、従来の ML 予測子の背後にある決定は不透明であり、人間による解釈が必要です。
この研究では、低コストのウェアラブル慣性測定ユニット (IMU) に基づくオンライン処理の教師なしクラスタリング アプローチを適用します。
システムによって生成された結果により、それらのクラスター内で利用可能な限られたタグ付け (例: 査読者による) の自動拡張が可能になり、説明可能な分類段階に関連する情報が生成されます。
具体的には、私たちの研究は、アスリートの活動に関連する予測の自動説明可能性を達成し、ノルディック ウォーキングにおける正しい練習、間違った練習、不正行為を区別することに焦点を当てています。
提案されたソリューションは、平均して 100% に近いパフォーマンス指標を達成しました。

要約(オリジナル)

Artificial Intelligence (AI) has found application in Human Activity Recognition (HAR) in competitive sports. To date, most Machine Learning (ML) approaches for HAR have relied on offline (batch) training, imposing higher computational and tagging burdens compared to online processing unsupervised approaches. Additionally, the decisions behind traditional ML predictors are opaque and require human interpretation. In this work, we apply an online processing unsupervised clustering approach based on low-cost wearable Inertial Measurement Units (IMUs). The outcomes generated by the system allow for the automatic expansion of limited tagging available (e.g., by referees) within those clusters, producing pertinent information for the explainable classification stage. Specifically, our work focuses on achieving automatic explainability for predictions related to athletes’ activities, distinguishing between correct, incorrect, and cheating practices in Nordic Walking. The proposed solution achieved performance metrics of close to 100 % on average.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google