[論文レビュー] Filtering Procedures for Sensor Data in Basketball

Rodolfo Metulini|arXiv (Cornell University)|Jun 27, 2018

Sports Analytics and Performance参考文献 16被引用数 6

ひとこと要約

本論文では、GPS/加速度センサーからのプレイヤー軌跡データのみを用いて、自動的にアクティブなゲームプレイの瞬間を特定し、バスケットボール試合を時間的順序に並べたラベル付きのアクション（攻撃的／守備的）に分割するデータ駆動型でセンサーに基づくフィルタリングアルゴリズムを提案する。この手法は、アクションの持続時間と数の推定において高い正確性を達成しており、中央値としてのアクション長は15.66〜16.00秒、50〜50%のアクションが10〜20秒間持続しており、実際の試合においても堅牢性が裏付けられている。

ABSTRACT

Big Data Analytics help team sports' managers in their decisions by processing a number of different kind of data. With the advent of Information Technologies, collecting, processing and storing big amounts of sport data in different form became possible. A problem that often arises when using sport data regards the need for automatic data cleaning procedures. In this paper we develop a data cleaning procedure for basketball which is based on players' trajectories. Starting from a data matrix that tracks the movements of the players on the court at different moments in the game, we propose an algorithm to automatically drop inactive moments making use of available sensor data. The algorithm also divides the game into sorted actions and labels them as offensive or defensive. The algorithm's parameters are validated using proper robustness checks.

研究の動機と目的

• バスケットボールセンサーデータ行列における非アクティブな瞬間を自動でフィルタリングする手順を開発すること。
• ボール追跡データなしで、プレイヤーの移動データのみを用いて、アクティブなゲームプレイを時間的順序に並べたラベル付きのアクション（攻撃的／守備的）に分割すること。
• 異なる試合やチームにおいても、アルゴリズムの堅牢性とパラメータの安定性を確保すること。
• ボール追跡データやプレイバイプレイログに依存せずに、データアナリストが生のセンサーデータを処理できるようにすること。
• プレイヤーの運動パターンからゲーム状態（アクティブ／非アクティブ）を特定することで、スポーツ分野における人間活動認識（HAR）に貢献すること。

提案手法

• アルゴリズムは、GPS/加速度センサーから得られるプレイヤーの軌跡データを処理し、移動強度や空間的ダイナミクスの変化を検出する。
• プレイヤーの移動が最小限または存在しない非アクティブ期間を特定・除去するためのマルチステージのフィルタリング処理を適用する。
• アクティブ状態と非アクティブ状態の遷移に基づいて、試合を連続するアクションに分割する。
• バスケットゴールに対する位置関係と移動パターンを用いて、各アクションを攻撃的または守備的としてラベル付ける。
• 最小移動閾値や非アクティブ期間の時間窓といったパラメータは、実際の事例研究を用いてキャリブレーションされ、堅牢性の検証によって確認されている。
• 本手法は、2016年FIBAオリンピックおよび2015–2016年イタリアA2リーグのプレイバイプレイデータと照合して検証された。

実験結果

リサーチクエスチョン

• RQ1 プレイヤーの軌跡データのみを用いて、バスケットボールセンサーデータにおける非アクティブな瞬間を正確に特定・除去できるか？
• RQ2 ボール追跡データなしで、試合を時間的順序に並べたラベル付きのアクション（攻撃的／守備的）に分割できるか、その精度はいかがなものか？
• RQ3 アルゴリズムのパラメータは、異なるチームや試合タイプにおいても安定的で堅牢か？
• RQ4 アルゴリズムから得られるアクションの持続時間と数の分布は、実際のプレイバイプレイデータと一致するか？
• RQ5 ボールデータが欠落している状況において、本手法が大規模データ分析の前処理ツールとして信頼できるものとなるか？

主な発見

• 実際の試合における中央値のアクション長は、CS1で15.66秒、集約データで16.00秒であり、アルゴリズムの出力とよく一致している。
• 50.33%のアクションが10〜20秒間持続しており、26.49%が20秒以上持続しており、実際の試合のダイナミクスと強い整合性を示している。
• アメリカ代表オリンピック試合では31.60%、レオネッサ・ブレシア試合では27.50%のアクションが10秒未塔であったことから、アルゴリズムの整合性が確認された。
• レオネッサ・ブレシア試合の58.62%において1試合あたりのアクション数は140〜150、アメリカ代表オリンピック試合の87.5%では150〜170であったが、これらはアルゴリズムの出力と一致している。
• アルゴリズムは、異なる試合においてもパラメータの安定性を示しており、アクティブなゲームプレイやアクション境界の検出において一貫したパフォーマンスを発揮した。
• ボール追跡データなしで正常に動作できることから、このようなデータが入手できない状況においても、新規の解決策を提供している。