Visualização do documento
Título
Classificadores utilizados na inteligência artificial para identificar as ações de jogo no voleibol
Orientador
Guanis de Barros Vilela Junior
Autor
Marcelo Francisco Rodrigues
Palavra chave
Inteligência artificial. Voleibol. Jogo.
Grupo CNPQ
Programa
DR - CIÊNCIAS DO MOVIMENTO HUMANO
Área
CIÊNCIAS DA SAÚDE
Data da defesa
31/08/2022
Nº Downloads
142
Resumo
INTRODUÇÃO: Diante das demandas exigidas pelo voleibol, cujas, suas especificidades técnico/táticas, são determinantes para a prática do jogo, sendo que o controle dessas ações pode diferenciar equipes perdedoras e ganhadoras; a monitorização de tais dados tornou-se de extrema importância durante jogos e treinamentos. Para tal, existem diversas ferramentas, das quais, atualmente, a Inteligência Artificial vem se destacando, por ser capaz de otimizar o processamento de dados, e aumentar em grande escala a confiabilidade de avaliação de situações, e ainda prever situações ou condições dos atletas durante o jogo e treinamentos. OBJETIVO: Analisar ações de jogo de equipes de voleibol Feminino através dos classificadores utilizados na Inteligência Artificial. MÉTODOS: A pesquisa teve aprovação pelo comitê de ética da Universidade Metodista de Piracicaba com protocolo número 2.992.810 vinculado ao Projeto Integrado intitulado “Métodos da Inteligência Artificial aplicados na análise do movimento humano” junto ao PPG-CMH / UNIMEP. Foi realizada a análise descritiva dos dados; análise fatorial exploratória (AFE) para identificação do constructo composto inicialmente por 35 ações de jogo no voleibol ocorridos na superliga de voleibol feminino. Para rotulagem das ações de jogo, foram utilizados três classificadores: KNN (k - vizinhos mais próximos), Random Forest (RF) e Regressão Linear (RL). A significância adotada foi de p<0,05. A amostra foi obtida através do scout das 12 equipes que disputaram a liga de voleibol brasileira profissional na temporada 2019/2020. RESULTADOS: A análise descritiva dos dados, em que os dados foram divididos em três quartis, destacamos as ações de jogo S_D com a mediana 28,00, demonstrando a importância do saque que não oferece dificuldade para a recepção adversária; A_P, atingindo a mediana 56,00, dentre as variações das ações de ataque, pois, foi a ação que terminou em ponto direto, mostrando o alto nível das equipes participantes nesta ação de jogo; R_A foi a variação da ação de recepção de saque com mediana 38,00, mostrando a ligação entre uma recepção que permite várias opções de ataque que terminaram em ponto. Na AFE existem quatro ações de jogo que estão presentes simultaneamente em mais de um fator, sendo elas: Saque Ruim com carga fatorial no grupo 2 de 0,62, no grupo 4 de 0,47 e singularidade de 0,14, Saque Ponto com carga fatorial no grupo 2 de 0,50, no grupo 4 de 0,63 e singularidade de 0,13, Saque Bom com carga fatorial no grupo 2 de 0,43, e grupo 4 de 0,48 e singularidade de 0,50 e Saque Errado com carga fatorial no grupo 2 de 0,40, no grupo 4 de 0,43 e singularidade de 0,13. A implicação de tal fato refere-se à complexidade para explicar a variabilidade dos dados e as suas cargas fatoriais baixas em relação às demais. Os classificadores obtiverem as seguintes métricas nas fases de testagem: o classificador KNN, com acurácia, precisão, sensibilidade e FMI (Índice de Fowlkes–Mallows), que atingiram 100% de eficiência em todas as análises. O classificador Randon Forest, atingiu para acurácia em sua fase de testagem de 0,96, valores próximos do classificador KNN, que atingiu acurácia de 1,00. A regressão linear em sua fase de testes também reportou também 0,96. CONCLUSÕES: Os três classificadores utilizados nesta pesquisa se mostraram altamente eficazes. Portanto, pode-se concluir que eles constituem uma ferramenta com elevado potencial de aplicabilidade na predição de ações de jogo no voleibol.
Abstract
INTRODUCTION: Faced with the demands required by Volleyball, whose technical/tactical specificities are decisive for the practice of the game, the need to control these technical/tactical actions can differentiate losing and winning teams, so the control of these data has become of extremely important during games and training. Currently, there is a trend in data analysis, and Artificial Intelligence stands out, being able to optimize data processing, and greatly increase the reliability of situation evaluation, and even predict situations or conditions of athletes during the game and training. OBJECTIVE: Analyse game actions of Women's Volleyball teams through the classifiers used in Artificial Intelligence. METHODS: The research was approved by the ethics council of the Methodist University of Piracicaba with protocol number 2.992.810 linked to the Integrated Project entitled “Artificial Intelligence Methods applied to the analysis of human movement” with the PPG-CMH / UNIMEP. Descriptive data analysis was performed; exploratory factor analysis (EFA) to identify the construct initially composed of 35 volleyball game actions. Three classifiers were used to label the game actions: KNN (k - nearest neighbours), Random Forest (RF) and Linear Regression (RL). The significance adopted was p<0.05. The sample was obtained through the scout of the 12 teams that played in a professional Brazilian volleyball league in the 2019/2020 season. RESULTS AND DISCUSSION: The descriptive analysis of the data, where the data were divided into three quartiles, highlighted the S_D game actions with a median of 28.00, demonstrating the importance of the serve that does not offer difficulty for the opposing reception; A_P, reaching the median 56.00, among the variations of the attack actions, because it was the action that ended in a direct point, showing the high level of the teams participating in this game action; R_A was the variation of the serve reception action with a median of 38.00, showing the connection between a reception that allows several attacking options that ended in point. In the EFA there are four game actions that are present simultaneously in more than one factor, namely: Bad Service with factor loading in group 2 of 0.62, in group 4 of 0.47 and singularity of 0.14, Effective Service with factor loading in group 2 of 0.50, in group 4 of 0.63 and singularity of 0.13, Good Service with factor loading in group 2 of 0.43, and group 4 of 0.48 and singularity of 0.50 and Wrong Service with factor loading in group 2 of 0.40, in group 4 of 0.43 and singularity of 0.13. The implication of this fact refers to the complexity to explain the variability of the data and their low factor loadings in relation to the others. The classifiers obtained the following metrics in the testing phases: the KNN classifier, with accuracy, precision, sensitivity, and FMI (Fowlkes–Mallows Index), which reached 100% efficiency in all analyses. The Random Forest classifier reached an accuracy of 0.96 in its testing phase, values close to the KNN classifier, which reached an accuracy of 1.00. Linear regression in its testing phase also reported 0.96. CONCLUSIONS: The three classifiers used in this research proved to be highly effective. Therefore, it can be concluded that they constitute a tool with high potential of applicability in the prediction of game actions in volleyball.
