Extracting features from rowing stroke accelerations to reduce the analysis effort of coaches

Abstract

In vergelijking met andere sporttakken loopt de roeisport achter in het gebruik van elektronica en “slimme software”. Door modernisering van technologieën in een roeiboot kan de efficiëntie van trainingen verbeterd worden met snellere feedback door sterk gereduceerde analyse-tijd voor de coaches. In deze studie wordt een methode ontwikkeld en gevalideerd om ‘features’ af te leiden uit acceleratiecurves. De extractie van features is nodig voor het gebruik van complexe algoritmes om het analyseproces te automatiseren. Deze features geven de verschillende fases in een slag weer, op basis van de lichaamsdelen die een roeier gebruikt op een gegeven punt in de tijd.

In deze scriptie wordt een algoritme voorgesteld om slagen te detecteren en te scheiden. Eerst wordt een Kalman-filter toegepast op de ruwe data om de ruis te verwijderen. Daarna zijn de features geëxtraheerd in functie van de lengte van een slag. De validatie van de geëxtraheerde data gebeurt met correlatiematrices en statistische methodes. Ten slotte wordt een automatisch analyse-algoritme ontwikkeld en getest.

Het algoritme kan slagen, met goede of slechte techniek, onderscheiden met een nauwkeurigheid van 97% in de verkregen dataset. Drie methoden identificeren technische problemen met veelbelovende resultaten. Om deze methodes en algoritmes verder te ontwikkelen is er meer inspraak over de trainingen nodig voor de nodige data op te nemen. In dit onderzoek is er door de samenwerking met de trainer geen slagen tussen steady state en race pace opgenomen.