[论文解读] 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 6

一句话总结

本文提出了一种数据驱动的、基于传感器的过滤算法，仅利用GPS/加速度计传感器的球员轨迹数据，自动识别活跃比赛时刻，并将篮球比赛分割为按时间顺序排列、带有标签的动作（进攻/防守）。该方法在动作持续时间和数量估计方面表现出高精度，中位数动作时长为15.66–16.00秒，50–50%的动作持续时间为10–20秒，验证了其在真实比赛中的鲁棒性。

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.

研究动机与目标

• 开发一种自动化流程，用于过滤篮球传感器数据矩阵中的非活跃时段。
• 仅使用球员运动数据，将活跃比赛分割为按时间顺序排列、带有标签的动作（进攻或防守）。
• 确保该算法在不同比赛和球队之间具有鲁棒性和参数稳定性。
• 使数据分析师能够在不依赖球追踪数据或逐回合记录的情况下处理原始传感器数据。
• 通过从球员运动模式中识别比赛状态（活跃/非活跃），为体育领域的人体活动识别（HAR）做出贡献。

提出的方法

• 该算法处理来自GPS/加速度计传感器的球员轨迹数据，以检测运动强度和空间动态的变化。
• 采用多阶段过滤流程，识别并移除球员运动微弱或缺失的非活跃时段。
• 基于活跃与非活跃状态之间的转换，将比赛分割为连续的动作。
• 通过运动模式和相对于篮筐的空间位置，将每个动作标记为进攻或防守。
• 通过真实案例研究校准最小运动阈值和非活跃时间窗口等参数，并通过鲁棒性检验进行验证。
• 该方法已基于2016年FIBA奥运会和2015–2016年意大利A2联赛比赛的逐回合数据进行验证。

实验结果

研究问题

• RQ1 仅使用球员轨迹数据，该过滤算法能否准确识别并移除篮球传感器数据中的非活跃时段？
• RQ2 在无球追踪数据的情况下，该算法在将比赛分割为按时间顺序排列、带有标签的动作（进攻/防守）方面表现如何？
• RQ3 该算法的参数在不同球队和比赛类型中是否稳定且具有鲁棒性？
• RQ4 该算法生成的动作持续时间与数量分布是否与真实世界中的逐回合数据一致？
• RQ5 当缺少球数据时，该方法能否作为篮球大数据分析的可靠预处理工具？

主要发现

• 真实比赛中，动作持续时间的中位数在CS1中为15.66秒，在汇总数据中为16.00秒，与算法输出高度一致。
• 50.33%的动作持续时间为10至20秒，26.49%的动作超过20秒，表明与真实比赛动态高度吻合。
• 美国奥运比赛中31.60%的动作持续时间少于10秒，莱翁内萨布雷西亚队比赛中为27.50%，证实了算法的一致性。
• 在莱翁内萨布雷西亚队比赛中，58.62%的比赛动作数在140至150之间，而在美国奥运比赛中，87.5%的比赛动作数在150至170之间，与算法输出一致。
• 该算法在不同比赛中表现出参数稳定性，检测活跃比赛和动作边界的性能一致。
• 该方法无需球追踪数据即可成功运行，为缺乏此类数据的场景提供了创新解决方案。