[논문 리뷰] Filtering Procedures for Sensor Data in Basketball

Rodolfo Metulini|arXiv (Cornell University)|2018. 06. 27.

Sports Analytics and Performance참고 문헌 16인용 수 6

한 줄 요약

이 논문은 GPS/가속도계 센서에서 수집한 플레이어 궤적 데이터만을 사용하여 활성 게임 플레이 순간을 자동으로 식별하고 농구 경기를 순차적이고 레이블링된 동작(공격/수비)으로 분할하는 데이터 기반, 센서 기반 필터링 알고리즘을 제안한다. 이 방법은 동작 지속 시간과 수량 추정에서 높은 정확도를 달성하였으며, 중앙값으로 측정된 동작 길이는 15.66~16.00초이며, 50–50%의 동작이 10–20초 동안 지속되어 실제 경기에서의 강건성을 입증한다.

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.

연구 동기 및 목표

• 농구 센서 데이터 행렬에서 비활동 상태를 자동으로 필터링하는 절차를 개발하기 위해.
• 플레이어 이동 데이터만을 사용하여 활성 게임 플레이를 순차적이고 레이블링된 동작(공격 또는 수비)으로 분할하기 위해.
• 다양한 경기와 팀 간에 알고리즘의 강건성과 파라미터 안정성 확보를 위해.
• 공을 추적하는 데이터나 플레이-바이-플레이 로그에 의존하지 않고도 데이터 분석가가 원시 센서 데이터를 처리할 수 있도록 하기 위해.
• 플레이어 운동 패tern에서 게임 상태(활성/비활성)를 식별하여 스포츠 분야의 인간 활동 인식(HAR)에 기여하기 위해.

제안 방법

• 알고리즘은 GPS/가속도계 센서에서 수집한 플레이어 궤적 데이터를 처리하여 운동 강도와 공간적 역학의 변화를 탐지한다.
• 플레이어 운동이 최소이거나 없을 경우 비활동 기간을 식별하고 제거하기 위해 다단계 필터링 프로세스를 적용한다.
• 활동 상태와 비활동 상태 간 전환을 기반으로 게임을 연속적인 동작으로 분할한다.
• 농구 골에 대한 상대적 위치와 운동 패턴을 사용하여 각 동작을 공격 또는 수비로 레이블링한다.
• 최소 운동 임계값 및 비활동 시간 윈도우와 같은 파라미터는 실제 사례 연구를 통해 캘리브레이션하고, 강건성 검증을 통해 검증된다.
• 이 방법은 2016 FIBA 올림픽 및 2015–2016 이탈리아 A2 리그 경기의 플레이-바이-플레이 데이터와 대조하여 검증되었다.

실험 결과

연구 질문

• RQ1 플레이어 궤적 데이터만을 사용하여 농구 센서 데이터에서 비활동 상태를 정확하게 식별하고 제거할 수 있는가?
• RQ2 공 추적 데이터 없이도 알고리즘이 게임을 순차적이고 레이블링된 동작(공격/수비)으로 잘 분할할 수 있는가?
• RQ3 알고리즘의 파라미터는 다양한 팀과 경기 유형 간에 안정적이고 강건한가?
• RQ4 알고리즘이 도출한 동작 지속 시간과 수량의 분포가 실제 플레이-바이-플레이 데이터와 일치하는가?
• RQ5 공 데이터가 없는 상황에서 이 방법이 농구 분석의 빅데이터 전처리 도구로 신뢰할 수 있는가?

주요 결과

• 실제 경기에서 중앙값으로 측정된 동작 지속 시간은 CS1에서 15.66초, 집계 데이터에서는 16.00초였으며, 알고리즘의 출력과 밀접하게 일치하였다.
• 50.33%의 동작이 10~20초 동안 지속되었고, 26.49%는 20초 이상 지속되어 실제 경기 역학과 강력한 일치를 보였다.
• 미국 올림픽 경기에서는 31.60%, 레오네사 브레시아 경기에서는 27.50%의 동작이 10초 미만으로 지속되어 알고리즘의 일관성을 확인하였다.
• 레오네사 브레시아 경기의 58.62%에서 경기당 동작 수는 140~150개였고, 미국 올림픽 경기의 87.5%에서는 150~170개였으며, 알고리즘 출력과 일치하였다.
• 알고리즘이 다양한 경기에서 파라미터 안정성을 보였고, 활성 게임 플레이 및 동작 경계 탐지에서 일관된 성능을 보였다.
• 공 추적 데이터 없이도 성공적으로 작동하여, 이러한 데이터가 확보되지 않은 상황에서 새로운 해결책을 제공하였다.