Computer ondersteunde analyse van de dynamiek van het bewegingsapparaat van een sporter tijdens de uitvoering van de ’snatch’

Bachelor Informatica

Computer ondersteunde analyse

van de dynamiek van het bewegingsapparaat

van een sporter tijdens de uitvoering

van de ’snatch’.

Mitch Klaver

20 september 2020

Supervisor(s): Anthony van Inge

Inf

orma

tica

—

Universiteit

v

an

Ams

terd

am

Samenvatting

Veel sporters zijn continu bezig met het verbeteren van hun techniek. Vaak wordt

dit gedaan met behulp van een coach of een andere soort professional in de betreffende sport. Echter, analyses gedaan door mensen worden vaak be¨ınvloed door de beperkingen van de menselijke zintuigen. In deze thesis wordt daarom een methodologie voorgesteld om de menselijke analyses te ondersteunen met behulp van computer vision technologie. Hierbij is gebruik gemaakt van een pose estimation technologie die uit videobeelden de gewrichtslocaties van personen kan achterhalen. Deze gewrichtslocaties worden gebruikt om kenmerken te vinden van de techniek van verschillende sporters aan de hand van een aantal metrieken. Door middel van clustering van de gevonden kenmerken worden verschillen duidelijk tussen sporters. Bij het experiment is er op het gebied van gewichtheffen onderzoek gedaan of pose estimation een sterke bijdrage kan leveren aan de analyse van de techniek van sporters. Hieruit is gebleken dat pose estimation inderdaad gebruikt kan worden om verschillen te vinden tussen sporters. Echter, om met zekerheid te kunnen zeggen dat pose estimation deze bijdrage kan leveren aan de analyse van de techniek van sporters, zal er naar meer kenmerken gekeken moeten worden. Zoals onderdelen van een oefening die door een professional worden aangeduid als cruciaal voor de uitvoering.

Inhoudsopgave

1 Inleiding 7 1.1 Context . . . 7 1.2 Onderzoeksvraag . . . 9 1.3 Deelvragen . . . 9 1.4 Ethiek . . . 9 2 Theoretisch kader 11 2.1 Kenmerken van sporters . . . 11

2.1.1 Trajecten van gewrichten . . . 11

2.1.2 Hoeken en afstanden . . . 11

2.1.3 Snelheid en impuls . . . 11

2.2 Het verwerken van foutmarges . . . 12

2.3 Het selecteren van de belangrijkste kenmerken . . . 12

3 Methodologie 15 3.1 Data collectie . . . 15 3.2 Data verwerking . . . 16 3.3 Data normalisatie . . . 17 3.4 Data analyse . . . 18 4 Experimenten 21 4.1 Vormen dataset . . . 21 4.2 Analyse dataset . . . 21 5 Analyse en discussie 23 5.1 Resultaten analyse . . . 23

5.1.1 De trajecten van het heupgewricht . . . 23

5.1.2 Clusterplot analyses van verschillende sporters in dezelfde gewichtsklasse 25 5.1.3 Clusterplot analyse tussen sporters in verschillende gewichtsklasses . . . . 29

5.2 Discussie . . . 29

5.3 Future research . . . 31

HOOFDSTUK 1

Inleiding

1.1

Context

Sporters proberen hun prestatie altijd te verbeteren. Of het nu beginners zijn of professionals, er is altijd ruimte voor verbetering. In de afgelopen decennia begint de sport steeds meer ge¨ıntegreerd te worden met technologie (Colyer e.a. 2018). Voor het analyseren van de positie van voetballers ten opzichte van de bal (Beetz, Kirchlechner en Lames 2005) of het achterhalen van het traject van een tennisbal (Owens, Harris en Stennett 2003) worden steeds vaker computer vision systemen gebruikt. Daarnaast kan computer vision een belangrijk rol spelen bij het analyseren van de techniek van sporters.

Je ziet bij de zwemsport al een opbloeiend gebruik van computer vision (Einfalt, Zecha en Lienhart 2018). Met behulp van computer vision technieken kan er een uitgebreide analyse worden gedaan van de techniek van zwemmers en kan een coach hier gebruik van maken om de zwemmers efficienter te laten zwemmen (Zecha, Eggert en Lienhart 2017). Binnen het basketbal wordt er onderzoek gedaan naar het detecteren van de spelers op het veld om het bezit van de bal in te schatten met behulp van computer vision (Wei e.a. 2015). Door Kurose e.a. 2018 is er onderzoek gedaan naar het cre¨eren van een methode die de uitvoering van het slaan van een bal kan begrijpen en de details kan evalueren. Door Hasegawa en Saito 2016 is er door middel van specifieke computer vision technieken onderzoek gedaan naar onder andere wandelen, ski¨en, kunstschaatsen en regulier schaatsen en wordt er vermeld dat er binnen veel andere sporten ook gebruik gemaakt kan worden van computer vision voor het uitvoeren van analyses. In het onderzoek van Wang e.a. 2019 is er met behulp van computer vision technieken een coachen systeem opgesteld, die gepersonaliseerd atletisch trainingsadvies levert op afwijkende bewegingen in de vorm van voorbeeld gebaseerde visuele suggesties.

Bij veel sporten gebeurt er vaak veel tegelijkertijd en kan het voor mensen soms lastig zijn om een uitgebreide analyse te doen op de performance van sporters. Er zijn een flink aantal problemen dat zich kan voordoen waardoor iemand geremd wordt in zijn analyse, waaronder:

• Slecht waarneembare details • Zeer minimalistische details • Information overload

• Vergelijkingen maken tussen uitvoeringen op verschillende tijdstippen • Details die niet waarneembaar zijn vanuit een enkele gezichtshoek • Het waarnemen van veel details tijdens de uitvoering van een sporter

De mens wordt door zijn zintuigen gelimiteerd in zijn waarnemingen en het daaruit filteren van gegevens. Hierbij kan computer vision dus voorgedragen worden als een handvat om personen te ondersteunen bij het uitvoeren van hun analyses. Dit zal ervoor zorgen dat veel van de limitaties

van de mens worden weggenomen, maar de voordelen van persoonlijke feedback wel aanwezig blijven (zie figuur 1.1).

Figuur 1.1: Diagram van de informatiestroom als er gebruikt gemaakt wordt van computer vision voor het analyseren van sporters

Er zijn veel verschillende technieken die gebruikt kunnen worden om de coaches te ondersteunen bij het analyseren van sporters. Meestal wordt er binnen ’motion capture’ een onderscheid gemaakt tussen deze verschillende technieken:

• Non-optische technieken

– Mechanisch systeem (exoskelet met sensoren)

– Magnetisch systeem (magnetische ontvangers en statische zender) • Optische technieken

– Marked

∗ Passive markers (reflective markers) ∗ Active markers (illuminating markers) – Markerless

∗ Kinect

∗ Pose estimation (OpenPose, DensePose, Wrnch AI, etc)

In het verleden is vaak gebruik gemaakt van non-optische technieken om data te vergaren, omdat er geen betaalbare computersystemen beschikbaar waren met genoeg rekenkracht om de complexe computer vision technologie te benutten. Het probleem dat ontstond was dat de bewegingsvrijheid beperkt werd door de hardware die gebruikt moest worden (Payton en Burden 2017). Doordat er exoskeletten of andere storende hardware gebruik moest worden, werd het bewegingsapparaat van de sporters verhinderd. De analyses waren hierdoor minder accuraat, omdat de bewegingsvrijheid een belangrijk onderdeel is om een nuttige analyse uit te voeren op de natuurlijke beweging van een sporter. Tevens is de complexiteit van het opzetten van een analyse door middel van non-optische technieken minder aantrekkelijk dan de eenvoud van de optische alternatieven. Waardoor tegenwoordig vooral de voorkeur uitgaat naar de optische technieken.

De optische technieken bestonden voorheen vooral uit marked technieken. Echter door software ontwikkelingen en onderzoek binnen het gebied van computer vision is er een snelle ontwikkeling gaande van markerless software voor motion capturing (Andriluka e.a. 2014). De marked technieken maken gebruik van actieve of passieve markers die worden geplaatst op de personen die worden geanalyseerd. De beperking van deze methode is dat er alleen data geanalyseerd kan worden die speciaal vergaard is met behulp van deze markers. Ook is het verzamelen van gegevens lastiger, omdat er een vorm van markers op de sporters aangebracht moet worden om analyses uit te kunnen voeren.

De markerless software die recent is ontwikkeld, gaat onder de naam ’pose estimation software’ en dit is ook de techniek die gebruikt wordt voor het onderzoek. Deze methode verwijdert een element van complexiteit van de bovenstaande technieken. Doordat de sporters niet verplicht zijn om aan bepaalde voorwaarden te voldoen, zoals een exoskelet of markers, is het mogelijk om data te analyseren die niet specifiek geproduceerd is voor analyse. Pose estimation kan menselijke figuren detecteren in afbeeldingen en videos en laat stickfiguren zien afgeleid van deze mensen. De stickfiguren bestaan uit de geschatte gewrichten van de menselijke figuren die gedetecteerd worden. De 2D co¨ordinaten van de gewrichten van deze stickfiguren worden geproduceerd en kunnen achteraf gebruik worden voor analyses. Deze data zou dan dus bijvoorbeeld gebruik kunnen worden om de hoeken te berekenen tussen bepaalde lichaamsdelen aan de hand van de 2D co¨ordinaten van de gewrichten. Dit betekent dat het mogelijk is om de techniek van sporters te analyseren met behulp van deze software (Hwang, Park en Kwak 2017).

Om de scope van de thesis af te bakenen is er gekozen om de gewichthef sport te analyseren. Binnen het gewichtheffen kan de uitvoering van oefeningen cruciaal zijn voor de performance van de sporter. Tevens is de kans op blessures prominent aanwezig bij beginnende gewichtheffers, dus is een correcte uitvoering van de oefeningen van belang. Hierbij kan pose estimation software ondersteuning bieden aan coaches om verschillen te herkennen tussen uitvoeringen van gewichthef oefeningen. Uit onderzoek (Chen en Yang g.d.) is al duidelijk geworden dat pose estimation een nuttige bijdrage kan leveren aan het feedback geven op de uitvoering van bepaalde oefeningen als duidelijk is wat de correcte uitvoering moet zijn. In deze thesis zal gekeken worden of het mogelijk is om met behulp van pose estimation de techniek van verschillende personen te onderscheiden. Hierbij zal ook gekeken worden naar de verschillen tussen ervaren en onervaren sporters om coaches te ondersteunen bij het begeleiden van beginners.

1.2

Onderzoeksvraag

• Hoe kan ’pose estimation’ informatie gebruikt worden om een sterke bijdrage te leveren aan de analyse van de techniek van sporters binnen het gewichtheffen?

1.3

Deelvragen

• Hoe kan pose estimation informatie gebruikt worden om onderscheid te maken tussen verschillende sporters die gelijke oefeningen uitvoeren?

• Is het mogelijk om de informatie afgeleid van professionals zowel als van beginners van elkaar te onderscheiden?

• Welke metriek keuzes maken het mogelijk om onderscheid te maken tussen verschillende sporters?

Om de onderzoeksvraag te kunnen beantwoorden zijn een aantal deelvragen opgesteld. Binnen het onderzoek zal er gezocht worden naar antwoorden op deze deelvragen. Als uit het onderzoek blijkt dat pose estimation informatie gebruikt kan worden om een onderscheid te maken tussen verschillende sporters, kan verondersteld worden dat het een nuttige bijdrage kan leveren aan de analyse van sporters. Hierbij is het interessant om specifiek te kijken naar het onderscheid tussen beginners en professionals, aangezien beginners vaak het grootste voordeel hebben aan een analyse van hun techniek. Daarnaast is het van belang dat wordt uitgezocht welke kenmerken nodig zijn om dit onderscheid te kunnen behalen en hoe er gebruik gemaakt kan worden van pose estimation informatie om deze kenmerken te achterhalen.

1.4

Ethiek

Bij een onderzoek waar gebruik wordt gemaakt van personen afgeleide data is het ethische aspect een belangrijk punt. Bij het analyseren van het bewegingsapparaat van personen kunnen mogelijk medische problemen worden gevonden. Het is van belang dat onderzoeksdata van personen niet

kan worden herleid naar een individu of een specifieke groep. Ook bestaat de mogelijkheid dat het computer programma een verkeerde analyse uitvoert waardoor er niet juist gehandelt wordt door de persoon die de resultaten van de analyse interpreteert.

HOOFDSTUK 2

Theoretisch kader

2.1

Kenmerken van sporters

Voor het analyseren van sporters met behulp van Pose Estimation zijn er enkele metrieken die gebruikt kunnen worden om de performance van de sporters te observeren en te vergelijken. Voor het analyseren van de gewichtheffers binnen deze thesis zal gekeken worden naar de trajecten van bepaalde gewrichten, de hoeken tussen lichaamsdelen, de snelheid van bepaalde gewrichten en de versnelling van deze gewrichten. Voor het begrijpen van deze metrieken zal in deze sectie worden toegelicht hoe ze worden gebruikt binnen de thesis.

2.1.1

Trajecten van gewrichten

Een manier om het bewegingsapparaat van sporters te analyseren en te vergelijken is door gebruik te maken van bewegingstrajecten. Hierbij wordt met behulp van een datavisualisatie de beweging van een bepaald gewricht vastgelegd.

2.1.2

Hoeken en afstanden

Hier wordt het analyseren gebaseerd op hoeken tussen bepaalde lichaamsdelen. De cosinusregel (2.1, 2.2) wordt gebruikt om de hoeken te berekenen. Zie figuur 2.1. De afstanden tussen de verschillende gewrichtsco¨ordinaten wordt berekend met de euclidische afstand (2.3).

c2= a2+ b2− 2ab cos γ (2.1) γ = cos−1(a 2_{+ b}2_{− c}2 2ab ) (2.2) d =p(x1− x2)2+ (y1− y2)2 (2.3)

2.1.3

Snelheid en impuls

De laatste twee metrieken die gebruik zullen worden, zijn snelheid en impuls. Voor dit onderzoek zal snelheid bepaald worden door de afstand die een bepaald gewricht aflegt in een gekozen tijdsbestek 2.4. Deze afstand kan worden gevonden met behulp van de euclidische afstand 2.3 tussen twee gewrichtslocaties op verschillende tijdstippen. Binnen de analyse zal dit gaan om pixelwaardes die later worden omgezet naar het metrieke stelsel. De tijd wordt binnen de analyse bepaald aan de hand van de frames van een video. Door het aantal frames, waarover de afstand van een gewricht wordt gemeten, te delen door het framerate van de video.

De impuls is een grootheid gerelateerd aan de snelheid van een massa 2.5. De massa die gebruikt wordt in de berekening, is het gewicht dat de sporter gedurende de uitvoering van de

Figuur 2.1: Visualisatie van de driehoek die ontstaat tussen lichaamsdelen voor het berekenen van de hoek tussen de lichaamsdelen

oefening verplaatst. Aldus, de impuls is gerelateerd aan de snelheid waarmee de sporter deze massa verplaatst.

v = d/t (2.4)

p = m × v (2.5)

2.2

Het verwerken van foutmarges

Bij het uitvoeren van een onderzoek kunnen er onnauwkeurigheden ontstaan binnen de resultaten van het onderzoek. De mate van deze onnauwkeurigheden worden uitgedrukt in de foutmarge. Voor het visualiseren van deze foutmarge kan gebruik gemaakt worden van errorbars. Deze geven vaak een indicatie van ´e´en standaard afwijking aan onzekerheid.

Tijdens het analyseren van de resultaten kan het foutmarge een negatieve impact hebben op de vindingen van het experiment. Om de invloed van de foutmarge op de data te minimaliseren wordt gebruikt gemaakt van een Savgol filter (Press en Teukolsky 1990). Dit filter maakt gebruik van de wiskunde bewerking, convolutie. Hierbij wordt er gebruik gemaakt van de aanliggende punten om een nieuw datapunt te bepalen. Dit wordt gedaan met behulp van de lineaire kleinste-kwadraten-methode (Bode en Shannon 1950). Hoe meer aanliggende punten er gekozen worden, hoe meer de data wordt uitgevlakt (smoothing).

2.3

Het selecteren van de belangrijkste kenmerken

Tijdens het onderzoek worden verschillende kenmerken van sporters achterhaald aan de hand van een analyse. Om conclusies te kunnen trekken uit deze analyse is het nuttig om de kenmerken te visualiseren met behulp van een scatterplot. Het probleem wat zich hier voordoet is dat een visualisatie van meer dan drie kenmerken tegelijk een element van complexiteit met zich meedraagt. Waar drie kenmerken op drie verschillende assen uitgezet kunnen worden, moeten er bij meer dan drie kenmerken extra elementen worden toegevoegd om de visualitie te realiseren. Daarom is er binnen dit onderzoek gekozen om de drie belangrijkste kenmerken te bepalen om de dimensies van de data de reduceren. Deze dimensie reductie wordt gedaan met behulp van een feature selection algoritme.

Een feature selection algoritme vergelijkt de kenmerken van subsets van een dataset en bepaalt aan de hand van scores welke kenmerken het meest zeggen over de subsets. Binnen dit onderzoek is gekozen voor de chi-squared test voor het bepalen van de scores van de kenmerken. Deze test

meet afhankelijkheid van stochastische variabelen, zodat kenmerken onafhankelijk van de subset een lagere score krijgen (Plackett 1983).

HOOFDSTUK 3

Methodologie

3.1

Data collectie

Voor het uitvoeren van een analyse ten aanzien van de techniek van een sporter kan de kwaliteit van de data van belang zijn. Namelijk, de kwaliteit van de camera die gebruikt is voor het verkrijgen van de data kan de accuraatheid van pose estimation be¨ınvloeden, doordat er meer of minder pixels zijn om te analyseren (Siriteerakul, Sato en Boonjing 2011). Ook een totaalbeeld van de sporter zonder obstructie heeft een positieve invloed op de kwaliteit van de data, doordat er meer informatie van de sporter verkregen kan worden. Daarnaast heeft de stabilisatie en fixatie van de camera tijdens het verkrijgen van de data ook in invloed op de kwaliteit. Een stabiele en gefixeerde camera positie zorgt voor een onvertekend beeld van de sporter, waardoor er geen rotatie van datapunten nodig is gedurende de data verwerking.

Video opname van gewichthefcompetities hebben veel van deze bovenstaande kenmerken en zijn in groten getale online te vinden. De wereldkampioenschappen gewichtheffen van 2017, 2018 en 2019 waren vooral goed bruikbaar, omdat in deze jaren het mogelijk was van dezelfde deelnemers opnamen te vinden.

De gewichthefcompetities bestaan uit twee verschillende oefeningen, namelijk de ’snatch’ en de ’clean and jerk’. Voor dit onderzoek is gekozen om de uitvoering van de snatch te analyseren, omdat hier meer beeldmateriaal van beschikbaar is die voldoet aan de boven genoemd voorwaarden. In 3.1 zijn de verschillende fases van de snatch te zien, die later terug zullen komen tijdens de analyse.

Figuur 3.1: Correcte uitvoering van de snatch oefening (source: K. Bartonietz & G. Renner) Voor de data van beginnende gewichtheffers is er in een lokale sportschool beeldmateriaal vergaard van 2 vrijwilligers die weinig tot geen ervaring hadden met de gewichthefoefeningen. De vrijwilligers hadden wel al ervaring met andere krachtoefeningen, dus dit zou invloed kunnen hebben op hun uitvoering van de gewichthefoefening. Het beeldmateriaal is vanaf eenzelfde hoek gefilmd als de gewichthef kampioenschappen met een stabiele en gefixeerde camera positie. Op basis van de conclusie kan worden gesteld dat de data die is gebruikt voor de anlyses van voldoende kwaliteit is.

3.2

Data verwerking

Uit de opnamen wordt een segment gehaald dat representatief is voor de oefening voor de analyse, dat is vanaf het moment dat de sporter kracht op de stang uitoefent begint het segment en wanneer de sporter een moment een stationaire houding heeft bereikt, stopt het segment. Dit segment wordt genormaliseerd naar 25 frames per seconde, zodat de duratie van een frame bij alle segmenten gelijk is. De wordt gedaan zodat verschillende segmenten met elkaar vergeleken kunnen worden. Pose estimation analyseert elke frame van een video, dus bij een genormaliseerde framerate kunnen de frames van verschillende segmenten met elkaar vergeleken worden.

Deze segmenten worden hierna door OpenPose verwerkt. De output data van OpenPose bestaat uit verschillende gewrichtslocaties tijdens elk frame van de segmenten. Deze gewrichtslocaties worden opgeslagen in meerdere JSON bestanden, waar voor elk frame van een segment een JSON bestand wordt gecree¨erd. Het JSON bestand bestaat uit een lijst van personen die worden gedetecteerd door OpenPose. Omdat er maar 1 persoon tegelijk geanalyseerd zal worden, zit er maar data van 1 persoon in de lijst. De data van de persoon staat in een lijst, ”pose keypoints 2d”die bestaat uit 25 tweedimensionale co¨ordinaten van de gewrichten samen met een waarde tussen 0 en 1, die voor elk co¨ordinaat aangeeft hoe zeker OpenPose is van de detectie. Bij een waarde van 0 is het gewrichtsco¨ordinaat niet gevonden voor die frame. Zie figuur 3.2 voor de mapping van de gewrichten.

Omdat de frames van een segment ook onderling vergeleken worden is ervoor gekozen om de gewrichtsco¨ordinaten van alle frames te combineren. Dit is gedaan door alle JSON bestanden van de frames van een segment in te lezen en te combineren in een grote matrix, waar alle rijen gelijk staan aan elk frame van een segment en de kolommen gelijk staan aan de 25 gewrichtsco¨ordinaten. Door mogelijke obstructies gedurende een segment of een foutieve detectie van OpenPose, wordt tijdens het inlezen van de data gekeken of er gewrichten niet herkent worden door OpenPose. Deze punten zullen vervangen worden door het gemiddelde tussen het voorgaande en het opvolgende punt. Als ook ´e´en van deze punten mist, dan zullen de gewricht locaties van deze frames niet worden meegenomen in de analyse.

In 5.6 is een frame te zien van een analyse van de snatchuitvoering van Lasha Talakhadze van 2019, waarbij de verschillende gewrichtsco¨ordinaten van OpenPose zichtbaar zijn. Deze gewrichtsco¨ordinaten worden door OpenPose voor elk frame van een video geproduceerd en opgeslagen.

Figuur 3.3: OpenPose analyse op een snatch uitvoering van Lasha Talakhadze

3.3

Data normalisatie

Omdat er verschillende segmenten met elkaar vergeleken gaan worden, is het belangrijk dat de data genormaliseerd wordt. Als er een verschil is in de afstand tussen de camera en de persoon die een oefening uitvoert kunnen de afstanden tussen de gewrichten die door OpenPose worden geproduceerd niet direct met elkaar vergeleken worden. Voor het normaliseren zal er gebruik gemaakt worden van de lengte van een olympische gewichthef stang (3.4, 3.5). Omdat alleen de pixelafstanden tussen de gewrichtslocaties beschikbaar zijn, worden twee gewrichten gezocht waarvan de afstand kan worden gerelateerd aan de afmetingen van de gewichthef stangen. Afhankelijk van de sporter worden de twee gewrichtlocaties gekozen waarvan de locaties overeenkomen met markeringen op de stang. Hierbij is er per sporter handmatig gekeken naar de OpenPose data van de eerste frame van een segment. Waarbij er twee gewrichtslocaties gezochten werden, die nagenoeg identiek waren aan de binnenste 420 millimeter van de gewichthef stang 3.4, 3.5. Hierdoor kan met behulp van de afmetingen van de gewichthef stang de pixelafstand worden omgezet naar het metriek stelsel. Doordat er handmatig wordt gekeken naar de afstanden tussen de gewrichten kan er een kleine afwijking ontstaan tussen de metrieke waardes die worden gevonden en de realiteit. Echter, uit de conclusie is gebleken dat deze afwijking niet een significante invloed heeft op de resultaten van het onderzoek. Voor het vinden van hoeken tussen de gewrichten is geen gebruik gemaakt van de metrieke waardes, omdat de hoek tussen de gewrichten niet wordt be¨ınvloed door de schaling van afstanden.

Een ander aspect van de data waar rekening mee gehouden moet worden, is de foutmarge van de OpenPose data die wordt geproduceerd. De gewrichtsco¨ordinaten die door OpenPose worden gevonden, kunnen soms afwijken van de realiteit. Uit het onderzoek van Nakano e.a. 2019 bleek dat bij 80 procent van de gevallen dit om 30 millimeter ging en bij 47 procent van

Figuur 3.4: Afmetingen van een olympische gewichthef stang voor vrouwen

Figuur 3.5: Afmetingen van een olympische gewichthef stang voor mannen

de gevallen om 20 millimeter. Deze foutmarges kunnen een invloed hebben op de resultaten van het onderzoek. Om deze invloed te verminderen wordt er gebruikt gemaakt van een Savgol filter (zie hoofdstuk Theorie). In dit onderzoek is gekozen voor een window van 11, oftewel de filter gebruikt 5 datapunten links en 5 datapunten rechts van een punt om een nieuwe datapunt te bepalen. Dit window is groot genoeg om de foutmarge dusdanig te verminderen dat het weinig invloed zal hebben op de resultaten van het onderzoek en niet zo groot dat er nuttige informatie van de data verloren gaat.

3.4

Data analyse

De data analyse betreft voornamelijk een dynamische lichaamshoudinganalyse, aangezien de gehele uitvoering van de snatch geanalyseerd gaat worden. Er zullen ook analyses van statische lichaamshoudingen worden uitgevoerd. Voor het analyseren van de data zijn de verschillende metrieken gebruikt (zie hoofdstuk Theorie). De trajecten van de gewrichten zijn gebruikt om een intu¨ıtie te krijgen voor de data waar mee gewerkt wordt, zodat de resultaten die geproduceert worden, beter ge¨ınterpreteerd kunnen worden. Uit de trajecten van de gewrichten kunnen duidelijke verschillen gehaald worden tussen de sporters en kunnen mogelijke kenmerken van sporters verklaard worden. Bij deze trajecten worden errorbars weergegeven om het foutmarge van OpenPose te visualiseren.

Voor het vinden van concrete verschillen tussen de sporters worden er kenmerken van alle sporters uit de OpenPose data verkregen. Binnen het onderzoek zijn er gekozen voor deze kenmerken:

• Kenmerken sporters – Hoeken

∗ Bovenbeen - onderbeen startpositie ∗ Bovenbeen - onderbeen squatpositie – Snelheid van de pols gedurende de pull 3.1 – Impuls van het gewicht gedurende de pull 3.1 – Standaard afwijking van het heup gewricht

Voor het karakteriseren van de beginpositie en de squatpositie van de sporters wordt gebruik gemaakt van de hoek tussen het bovenbeen en het onderbeen. Deze hoek geeft een indicatie voor de mate waarin de sporter diep zit gedurende de begin- en squatpositie. Voor het karakteriseren van de kracht van de sporters wordt er gekeken naar de snelheid van de pols en de impuls van het gewicht gedurende de pull. Hierbij wordt gekeken naar de afstand die het gewicht aflegd gedurende de eerste twee pull’s van de sporter 3.1. Voor het karakteriseren van de consistentie van de positie van de sporter wordt de standaardafwijking van de x-co¨ordinaat van het heupgewricht berekend. Idealiter verandert het x-co¨ordinaat van het heup gewricht gedurende de bewegin zo min mogelijk. De verhouding tussen de voetenstand van de startpositie en de squatpositie wordt gemeten om te achterhalen of de sporters grote wijzigingen maken in hun voeten posities na de drop 3.1.

Met deze bovenstaande gekozen kenmerken is probeerd om zoveel mogelijk van het beweegingsapparaat van de sporter gedurende de uitvoering van de snatch te omvatten. Uit de conclusie van het

onderzoek is gebleken dat deze kenmerken toereikend genoeg zijn om een antwoord te kunnen geven op de gestelde onderzoeksvraag.

Voor alle sporters die geanalyseerd worden, worden deze bovenstaande kenmerken achterhaald en opgeslagen voor verdere analyse. Met behulp van een feature selection algoritme wordt bepaald welke kenmerken het beste zijn voor het onderscheid maken tussen de verschillende sporters. De drie meest zeggende kenmerken voor een onderdeel van de analyse worden gebruikt voor het maken van driedimensionale clusterplots.

Bovenstaande methodologie is in 3.6 weergegeven aan de hand van een blokdiagram. Hierin is de pipeline aan acties gevisualiseerd, zoals deze hierboven is beschreven.

HOOFDSTUK 4

Experimenten

4.1

Vormen dataset

Voor het experiment is gekozen voor de wereldkampioenschappen gewichtheffen van 2017, 2018 en 2019 en zijn de sporters met het meeste geschikte beeldmateriaal geselecteerd voor analyse. Voor de heren betrof dit twee mannen in de 109+ kg gewichtsklasse en drie mannen in de 81 kg gewichtsklasse. Voor de dames betrof het drie vrouwen in de 81 kg gewichtsklasse. De beginnende sporters die zijn geanalyseerd vielen ook onder de 81 kg gewichtsklasse, zodat er een eerlijke vergelijking gemaakt kan worden met de professionele sporters. Het ging hierbij om twee mannen met geen eerdere ervaring met gewichtheffen. Dit betekent dat er in totaal zeven mannen en drie vrouwen zijn geanalyseerd. De namen van de sporters zullen niet vermeld worden binnen de thesis met het in acht nemen van de ethiek.

4.2

Analyse dataset

In 3.6 is te zien dat de data allereerst genormaliseerd moet worden voordat het door OpenPose verwerkt kan worden. Zoals in de methode vermeld, is de data in segmenten geknipt die aan een aantal criteria voldoen. Deze zijn, dat het segment begint wanneer de sporter kracht uitoefent op de stang en het segment eindigt als de sporter een moment een stationaire houding heeft bereik. Deze segmenten worden hierna door OpenPose verwerkt en OpenPose produceert de gewrichtsco¨ordinaten van elke frame van een segment. Wederom zal er een data normalisatie worden toegepast, zodat de verschillende sporters met elkaar vergeleken kunnen worden en de foutmarge minder invloed heeft op de resultaten. Allereerst zijn de pixelafstanden omgezet naar het metriek stelsel. Dit is gedaan door de afstand tussen twee gewrichten van een sporter gelijk te stellen aan de afstand tussen de twee buitenste donkere delen in 3.4 en 3.5. Voor zes van de zeven mannen en twee van de drie vrouwen is hiervoor de afstand tussen de hielen gebruikt. Voor de zevende man is de afstand tussen de linkerhiel en de tenen van de rechtervoet gebruikt. Voor de derde vrouw is de afstand tussen de tenen van de linker- en rechtervoet gebruikt. Voor het verminderen van de invloed van de foutmarge is gebruik gemaakt van de savgol filter (zie hoofdstuk Theorie).

Voor het analyseren van de verschillen tussen de gewichtheffers zijn zoals in de methode al was vermeld, verschillende metrieken gebruikt die de kenmerken van de snatchuitvoering van de sporters uitlichten. Deze verschillende kenmerken worden van alle verschillende snatchuitvoeringen van de sporters achterhaald en opgeslagen voor verdere analyse. Hierna worden voor alle vergelijkingen de meest zeggende kenmerken gevonden, zodat er binnen de clusterplot duidelijk onderscheid gemaakt kan worden tussen de sporters die vergeleken worden. Hierbij is gebruik gemaakt van een feature selection algoritme, die de drie meest zeggende kenmerken uit de data vindt voor een specifieke analyse (zie hoofdstuk Theorie). Deze drie kenmerken worden met behulp van een driedimensionale clusterplot weergegeven, met een indicatie bij welke groep elk punt hoort.

Tevens zijn er van alle uitvoeringen van de sporters traject plots gemaakt. Hierbij gaat het om het traject van het heupgewricht. Deze plots zijn gebruikt om een inzicht te krijgen in potenti¨ele kenmerken die verschillen kunnen laten zien tussen de sporter. Voor alle plots is dezelfde savgol filter gebruikt, zodat verschillende uitvoeringen met elkaar vergeleken kunnen worden. Ook zijn de trajecten van het heupgewricht verschoven, zodat de startpunten van de trajecten die met elkaar vergeleken worden op hetzelfde punt starten. Als laatste zijn er errorbars toegevoegd aan de trajecten. Errorbars gedurende de uitvoering van de oefening zijn hierbij groter dan errorbars gedurende een statische houding van de sporter. Voor het bepalen van het formaat van de errorsbars is gebruik gemaakt van de resultaten uit het onderzoek van Nakano e.a. 2019, waaruit was gebleken dat de foutmarge van OpenPose in de meeste gevallen 30 millimeter betreft. Deze waarde is met behulp van de bovenstaande verhouding tussen de pixelafstand en het metriek stelsel omgezet naar een pixel waarde, zodat deze kan worden weergegeven in de traject plots.

HOOFDSTUK 5

Analyse en discussie

5.1

Resultaten analyse

5.1.1

De trajecten van het heupgewricht

Zoals in het experimenten hoofdstuk is vermeld zijn er van alle uitvoeringen van de oefeningen traject plots gemaakt om een inzicht te krijgen in de data. In 5.1 is het traject van het heupgewricht van man 1 (gewichtsklasse 81 kg) te zien in het kampioenschap van 2019 zonder de savgol filter en zonder errorbars. Hierbij kan gezien worden dat het heup gewricht door het foutmarge van OpenPose soms onrealistische bewegingen maakt. Bij 5.2 zijn deze onrealistische bewegingen niet meer aanwezig door het toepassen van het savgol filter.

In 5.3 en 5.4 zijn de errorbars toegevoegd aan de trajecten van het heupgewricht. Hierbij kan gezien worden dat het savgol filter het traject niet dusdanig verandert dat het niet meer binnen de errorbars valt. Ook kan er worden waargenomen dat de errorbars bij het traject met het savgol filter kleiner zijn geworden. De errorbars zijn dermate gekrompen dat er besloten is dat ze geen invloed meer hebben op de resultaten van de analyse en weggelaten kunnen worden bij opvolgende traject plots.

Figuur 5.1: Traject van het heupgewricht van man 1 tijdens gewichthef kampioenschap van 2019 zonder het savgol filter en zonder errorbars

Figuur 5.2: Traject van het heupgewricht van man 1 tijdens gewichthef kampioenschap van 2019 met het savgol filter en zonder errorbars

Figuur 5.3: Traject van het heupgewricht van man 1 tijdens gewichthef kampioenschap van 2019 zonder het savgol filter en met errorbars

Figuur 5.4: Traject van het heupgewricht van man 1 tijdens gewichthef kampioenschap van 2019 met het savgol filter en met errorbars

In 5.2 kan worden gezien dat bij poging 3 van man 1 het heup gewricht een afwijking maakt ten opzichte van de andere twee pogingen van de sporter. Dit duidt op een diepere squat positie gedurende de derde poging van man 1. Deze afwijking bij ´e´en van de drie pogingen zorgt ervoor dat de diepte van de squat positie voor deze sporter waarschijnlijk niet gebruikt kan worden in de clusterplots. Er kan ook worden gezien dat de start tot het receiving onderdeel van de uitvoeringen 3.1 nagenoeg identiek zijn, wat kenmerken over dit onderdeel van de oefening geschikt maakt voor de clusterplots. In de clusterplot 5.8 kan worden gezien dat de snelheid en de impuls voor man 1 naar voren zijn gekomen als twee van de drie meestzeggende kenmerken, wat de observeringen uit de traject plot ondersteunen.

In 5.5 kan worden waargenomen dat de trajecten van het heup gewricht minder consistent zijn ten opzichte van man 1. Dit verschil in consistentie is terug te zien in de clusterplot 5.8, waar de waardes van man 2 minder geclusterd liggen. In deze clusterplot is er vooral ´e´en uitvoering van man 2 die afwijkt van zijn andere twee pogingen. In 5.5 kan worden gezien dat poging 1 en poging 3 een soorgelijk patroon vertonen, echter het gewicht bij poging 3 is hoger dan bij poging 1 wat voor een verschil in impuls zorgt. Dit verschil zorgt waarschijnlijk voor de afwijking in de clusterplot 5.8.

Figuur 5.5: Traject van het heupgewricht van man 2 tijdens gewichthef kampioenschap van 2019 met het savgol filter en zonder errorbars

In 5.6 en 5.7 zijn de trajecten te zien van man 3 en man 4. Uit deze trajecten kan worden opgemaakt dat beide sporters een consistente uitvoering hebben van de snatch. Bij man 4 is bij poging 3 een afwijking te zien ten opzichte van de andere twee pogingen, echter deze afwijking is relatief minimaal vergeleken met de trajecten van man 2. Het gevolg van deze consistente

uitvoeringen is dat het lastig wordt om de twee sporters te identificeren met behulp van een clusterplot. Het snelheid en impuls kenmerk zullen bij beide sporters soortgelijk zijn, waardoor er gebruik gemaakt moet worden van andere kenmerken om de clusterplot te realiseren (zie 5.9).

Figuur 5.6: Traject van het heupgewricht van man 3 tijdens gewichthef kampioenschap van 2017, 2018 en 2019 met het savgol filter en zonder errorbars

Figuur 5.7: Traject van het heupgewricht van man 4 tijdens gewichthef kampioenschap van 2019 met het savgol filter en zonder errorbars

5.1.2

Clusterplot analyses van verschillende sporters in dezelfde gewichtsklasse

Voor het vinden van concrete verschillen tussen de sporters is gebruik gemaakt van clusterplots. Hierbij zijn voor elke vergelijkingen de drie meest zeggende kenmerken gebruikt voor de specifieke vergelijking. Deze kenmerken zijn bepaald met behulp van een feature selection algoritme (zie hoofdstuk Theorie). Door deze kenmerken weer te geven in een driedimensionale plot ontstaan er clusters tussen de personen of groepen die worden vergeleken. Aan de hand van kleuren wordt aangegeven welk driedimensionale punt bij welke cluster hoort.

Man 1 en man 2 (gewichtsklasse 81 kg)

In 5.8 kan worden waargenomen dat er een duidelijk verschil gezien kan worden tussen de twee sporters die worden vergeleken. In alle drie de kenmerken die zijn gebruikt voor het cre¨eren van de clusterplot, is een duidelijk verschil te zien tussen de sporters. Man 2 heeft een opvallend lager impuls bij de start van de oefening ten opzichte van man 1 en tevens ook een lagere snelheid dan man 1 bij de start van de oefening. Ook bij de hoek tussen het bovenbeen en het onderbeen bij de startpositie kan een verschil worden gezien tussen de twee sporters, waar man 2 een kleinere hoek heeft bij de startpositie dan man 1.

Figuur 5.8: Clusterplot van drie verschillende kenmerken van twee mannelijke sporters in de 81 kg gewichtsklasse

Man 3 en man 4 (gewichtsklasse 109+ kg)

In 5.9 is te zien dat voor man 4 de clusterpunten verder uit elkaar liggen bij de drie verschillende uitvoeringen van de snatch ten opzichte van man 3. De hoek tussen het bovenbeen en het onderbeen bij de startpositie van man 3 is consistenter dan die van man 4. Verder is te zien dat de verhouding van de voetenstand bij de startpositie ten opzichte van tijdens de squat bij beide een soortgelijk patroon laat zien. Waar beide sporters ´e´en afwijkende waarde hebben voor dit kenmerk. Tevens is er ook te zien dat bij de uitvoeringen van man 3 een grotere hoek tussen het bovenbeen en het onderbeen te zien is tijdens het diepste punt van de oefening dan bij man 2.

Figuur 5.9: Clusterplot van drie verschillende kenmerken van twee mannelijke sporters in de 109+ kg gewichtsklasse

Vrouw 1, vrouw 2 en vrouw 3

In 5.10 zijn voor elke sporter twee uitvoeringen gebruikt voor de clusterplot, aangezien alle drie de sporters 1 mislukte poging hadden tijdens het kampioenschap van 2019. Er kan gezien worden dat vrouw 3 bij de verhouding van de voetenstand een groot verschil laat zien ten opzichte van vrouw 1 en vrouw 2. Wat inhoudt dat de startpositie van vrouw 3 een stuk nauwer is in verhouding met haar squatpositie, ten opzichte van vrouw 1 en vrouw 2. Bij de hoek van het bovenbeen en het onderbeen op het diepste punt is het opvallend dat vrouw 2 hier verschilt van vrouw 1 en vrouw 3 met een wat grotere hoek. De hoek tussen het bovenbeen en het onderbeen op de startpositie is bij vrouw 1 afwijkend van de andere twee sporters die met een grotere hoek starten.

Figuur 5.10: Clusterplot van drie verschillende kenmerken van twee vrouwelijke sporters in de 81 kg gewichtsklasse

Mannen ten opzichte van vrouwen in dezelfde gewichtsklasse

In 5.11 is te zien dat er twee clusters vormen tussen de vrouwen en de mannen. Wat opvalt is dat de hoek van het bovenbeen en het onderbeen bij de startpositie en de squatpositie weinig verschil laat zien tussen de mannen en de vrouwen in dezelfde gewichtsklasse. Alleen bij de impuls kan een duidelijk verschil gezien worden tussen de mannelijke en vrouwelijke sporters, waardoor de clusters ontstaan.

Figuur 5.11: Clusterplot van drie verschillende kenmerken van drie verschillende mannelijke sporters en drie verschillende vrouwelijke sporters

Beginners ten opzichte van professionals

In 5.12 kunnen twee duidelijke clusters worden waargenomen tussen de beginners en de professionals. Wederom is bij alle drie de kenmerken van de clusterplot een verschil waarneembaar tussen de twee groepen die worden vergeleken. De impuls van de beginners is een stuk lager dan die van de professionales, echter is de snelheid dit keer bij de beginners hoger dan bij de professionals. Ook bij de hoek tussen het boven- en onderbeen is te zien dat er duidelijke verschillen zijn, waar de professionals een veel kleinere hoek hebben dan de beginners.

Figuur 5.12: Clusterplot van drie verschillende kenmerken van beginners en professionals in de 81kg gewichtsklasse

5.1.3

Clusterplot analyse tussen sporters in verschillende gewichtsklasses

Mannelijke gewichtheffers van 80 kg ten opzichte van 109+ kg

In 5.13 is er wederom een verschil waar te nemen in de impuls tussen de twee groepen. De hogere gewichtsklassa heeft een groter impuls ten opzichte van de lagere gewichtsklasse. Ook kan er een verschil worden gezien tussen de verhouding van de voetenstand van de start en tijdens de squat. De hogere gewichtsklasse heeft hier een nauwere voetenstand bij de start ten opzichte van de squat dan de lagere gewichtsklasse, die bij de start en de squat een soorgelijke voetenstand laten zien. Het derde kenmerk laat bij beide gewichtsklassen een soorgelijke spreiding zien met geen echte verschillen tussen de twee gewichtsklassen.

Figuur 5.13: Clusterplot van drie verschillende kenmerken van verschillende mannelijke sporters in de 81 en 109+ kg gewichtsklasses

5.2

Discussie

Binnen het onderzoek zijn er verschillende analyses uitgevoerd om antwoorden te vinden op de gestelde onderzoeksvragen in de introductie. Hierbij is er in het experiment gezocht naar antwoorden op de deelvragen, zodat deze gebruikt konden worden om een antwoord te formuleren op de hoofdvraag. In deze sectie zullen de resultaten van het experiment worden geanalyseerd en zal er voor elke deelvraag een antwoord worden geformuleerd met behulp van ´e´en of meerdere van de uitgevoerde analyses.

Allereerst is er onderzocht of er tussen individuele sporters een onderscheid gemaakt kan worden binnen de uitvoering van de snatch. Hieruit is gebleken dat bij individuele sporters in dezelfde gewichtsklasse een waarneembaar verschil te zien is bij alle verschillende vergelijkingen die gedaan zijn. Wat wel vermeld moet worden is dat bij alle verschillende individuele analyses er andere kenmerken naar voren komen die de grootste verschillen tussen de sporters naar voren brengt. Bij de analyse tussen twee mannelijke sporters in de 109+ kg gewichtsklasse bleek dat alleen de hoek tussen het boven- en onderbeen tijdens de squat een significant verschil liet zien tussen de sporters, waar bij de analyse van de mannen in de 81 kg gewichtsklasse er bij alle drie de kenmerken duidelijke verschillen naar voren kwamen. Hierbij ging het om de impuls van het gewicht, de snelheid van de pols en de hoek van het onder- en bovenbeen bij de startpositie. Bij de vrouwen van 81 kg waren ook bij alle drie de kenmerken verschillen te zien tussen sporters, het valt hierbij wel op dat bij alle kenmerken er twee sporters veel op elkaar lijken met ´e´en sporters die afwijkt. Hierbij is het grootste verschil te zien bij de verhoudingen van de voetenstand, waar vrouw 3 een zeer nauwe start voetenstand heeft en tijdens de squat de voeten significant uit elkaar brengt ten opzichte van de startpositie. Uit deze resultaten is op te maken dat de

clusterplots van de kenmerken duidelijke verschillen laten zien tussen individuele sporters en dat pose estimation op deze manier gebruikt kan worden om een onderscheid te cre¨eren tussen de techniek van sporters.

Om een uitgebreider antwoord te kunnen geven op de eerste deelvraag is er ook onderzocht of er verschillen gevonden kunnen worden tussen verschillende groepen sporters. Hieruit is ook een antwoord naar voren gekomen op de tweede deelvraag, of de professionals gebruikt kunnen worden als referentie voor de beginners. Uit de resultaten van het onderzoek is namelijk gebleken, dat er tussen de beginners en de professionals een groot verschil gezien kan worden bij de uitvoering van de snatch met de gebruikte metrieken van het experiment. De impuls van de start van de snatch is bij de profesionals een stuk hoger, dan bij de beginners. De snelheid van de pols van de beginners, bij de start van de snatch, is daarentegen een stuk hoger dan die van de professionals, terwijl binnen de professionals een hogere snelheid vaak gelijk stond aan een grotere impuls. Dit is waarschijnlijk veroorzaakt door de significant kleinere massa die verplaatst wordt door de beginners, aangezien deze gelimiteerd worden door hun techniek gedurende de beweging, terwijl de kracht mogelijk wel aanwezig is. Ook is te zien aan de hoek tussen onder- en bovenbeen dat de professionals een stuk dieper gaan gedurende de squat 3.1 en de startpositie ten opzichte van de beginners. Ook tussen de vrouwen en de mannelijke sporters zijn verschillen te zien, echter zijn deze verschillen minder prominent dan tussen de beginners en de professionals. Vooral de impuls van de sporters laat hierbij een afwijking zien tussen de mannen en de vrouwen. Dit verschil in impuls is ook terug te zien bij de vergelijking tussen mannen in verschillende gewichtsklasse, waar de mannen in de hogere gewichtsklasse gemiddeld een hoger impuls realiseren. Tevens blijkt ook dat de mannen in een hogere gewichtsklasse gemiddeld een nauwere voetenstand hebben bij het begin van de oefening ten opzichte van de voetenstand tijdens de squat. Wat terug te zien is in de kleinere verhouding van de voetenstand. Het onderzoek laat zien dat er met behulp van pose estimation technieken duidelijken verschillen gezien kunnen worden tussen niet alleen individuele sporters, maar ook tussen verschillende groepen sporters. Door de pose estimation data te gebruiken voor het vinden van kenmerken van de sporters kan er met behulp van clusterplots onderscheid gemaakt worden tussen de sporters.

Ten aanzien van de diverse metrieken die gebruikt kunnen worden voor het vinden van de verschillen tussen de sporters is uit het onderzoek gebleken, dat de impuls van het gewicht als meestzeggend kenmerk aangeduid kan worden. Ook de hoek tussen het onder- en bovenbeen was vaak terug te zien als kenmerk dat verschillen liet zien tussen sporters. Echter, niet alleen deze twee kenmerken waren doorslaggevend voor het vinden van verschillen tussen de sporters, aangezien bijna alle metrieken van het experiment bij ´e´en van de analyses wel naar voren is gekomen. De standaardafwijking was de enige metriek die niet naar voren kwam als ´e´en van de drie belangrijkste kenmerken van een vergelijking. Dit kwam waarschijnlijk doordat er bij de professionals soms extra stappen gezet worden om onder het gewicht te eindigen, wat een grote wijziging kan brengen in de waarde van de standaardafwijking. Doordat deze stappen niet bij elke uitvoering van een sporter identiek zijn, ontstaan er bij eenzelfde persoon soms grote verschillen, wat niet ideaal is voor het vergelijken van sporters.

Voor alle drie de opgestelde deelvragen zijn antwoorden naar voren gekomen uit de losse analyses die zijn uitgevoerd. Er is gebleken dat pose estimation gebruikt kan worden om kenmerken te vinden van de techniek van sporters, die onderling vergeleken kunnen worden met andere sporters met behulp van clusterplots. Uit het onderzoek is naar voren gekomen dat met behulp van deze clusterplot vergelijkingen er een aantoonbaar verschil gezien kan worden tussen de techniek van beginners en de techniek van professionals. Ook zijn uit het onderzoek een aantal kenmerken naar voren gekomen die vaak verschillen lieten zien tussen de techniek van de verschillende sporters. Echter, om echt te kunnen concluderen of pose estimation een sterke bijdrage kan leveren aan de analyse van de techniek van de sporters binnen het gewichtheffen is het belangrijk dat allereerst de primaire kenmerken van de techniek van een sporter worden uitgelicht door een professional in het vakgebied. Zodra de belangrijkste onderdelen van de uitvoering van een oefening duidelijk zijn kunnen de kenmerken van sporters worden gevonden met behulp van de pose estimation data. Als deze primaire kenmerken eenmaal duidelijk zijn kunnen ook professionals en beginners worden vergeleken met behulp van deze kenmerken en kan er concreet worden aangetoond of professionals gebruikt kunnen worden als referentie voor beginners.

5.3

Future research

Zoals in de discussie al is vermeld zullen er naar meer kenmerken gekeken moeten worden van de sporters, die door een professional worden aangeduid als cruciaal voor de uitvoering van de oefenening. Ook is het belangrijk dat er meer sporters gebruikt worden voor toekomstig onderzoek zodat de toevalsfactor die naar voren komt bij het analyseren van de techniek van sporters, teniet wordt gedaan. Daarnaast zou er bij toekomstig onderzoek ook gekeken kunnen worden naar een zijaanzicht van de sporter, aangezien dit potentieel veel kan zeggen over de correctheid van de uitvoering van de oefening. Ook zou er onderzoek gedaan kunnen worden naar de verschillen tussen het analyseren van twee dimensionale - en drie dimensionale co¨ordinaten van de gewrichten, aangezien deze extra dimensie meer informatie aanbied voor analyses. Als laatste zou er in toekomstig onderzoek gekeken kunnen worden naar het cre¨eren van clusters in meer dan drie dimensies. In deze thesis is gekeken naar het vergelijken van de verschillende kenmerken in driedimensionale clusterplots, echter kunnen deze kenmerken ook in meer dan drie dimensies met elkaar vergeleken worden.

HOOFDSTUK 6

Conclusie

In deze thesis is onderzoek gedaan naar het vinden van een antwoord op de vraag: ”Hoe kan ’pose estimation’ gebruikt worden om een sterke bijdrage te leveren aan de analyse van de techniek van sporters binnen het gewichtheffen?”. Om deze vraag te kunnen beantwoorden zijn er een aantal deelvragen opgesteld waar in het experiment antwoorden op zijn gezocht. Het gaat hier om de vragen: ”Hoe kunnen pose estimation technieken gebruikt worden om onderscheid te maken tussen verschillende sporters die gelijke oefeningen uitvoeren?”, ”Is het mogelijk om professionals te gebruiken als referentie voor beginners?” en ”Welke metrieken zijn nodig om een onderscheid te kunnen maken tussen verschillende sporters?”.

Uit de resultaten van het experiment is gebleken dat voor het onderscheiden van verschillende sporters kan er gebruik gemaakt worden van driedimensionale clusterplots. In deze clusterplots worden de kenmerken van de sporters gevisualiseerd, die zijn verkregen uit de data produceerd door OpenPose. Ook is er naar voren gekomen dat er in de clusterplots verschillen kunnen worden waargenomen tussen beginners en professional. Echter, kan er nog niet worden geconcludeerd dat professionals gebruikt kunnen worden als referentie voor beginners aan de hand van de gebruikte kenmerken. Voor de metrieken die nodig zijn om een onderscheid te kunnen maken tussen de verschillende sporters zijn de snelheid, de impuls en de hoeken tussen gewrichten als prominente metrieken naar voren gekomen binnen het onderzoek. Daar moet wel bij worden vermeld dat er andere potenti¨ele metrieken en bijbehorende kenmerken niet in acht zijn genomen tijdens het uitvoeren van het experiment.

Uit het onderzoek is gebleken dat de pose estimation data gebruikt kan worden om kenmerken van de techniek van de sporter te verkrijgen uit videobeelden van de sporter. Deze kenmerken kunnen worden gevisualiseerd en onderling worden vergeleken met andere sporters met behulp van clusterplots. Uit deze clusterplots kunnen verschillen worden waargenomen tussen beginnende sporters en professionals, tussen vrouwen en mannen en tussen individuele sporters. Echter, zijn er nog niet genoeg kenmerken geanalyseerd van de sporters om te concluderen dat pose estimation een sterke bijdrage kan leveren aan de analyse van de techniek van sporters binnen het gewichtheffen.

Bibliografie

Andriluka, Mykhaylo e.a. (2014). “2d human pose estimation: New benchmark and state of the art analysis”. In: Proceedings of the IEEE Conference on computer Vision and Pattern Recognition, p. 3686–3693.

Beetz, Michael, Bernhard Kirchlechner en Martin Lames (2005). “Computerized real-time analysis of football games”. In: IEEE pervasive computing 4.3, p. 33–39.

Bode, Hendrik Wade en Claude Elwood Shannon (1950). “A simplified derivation of linear least square smoothing and prediction theory”. In: Proceedings of the IRE 38.4, p. 417–425. Chen, Steven en Richard Yang (g.d.). “Pose Trainer: Correcting Exercise Posture using Pose

Estimation”. In: ().

Colyer, Steffi L e.a. (2018). “A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system”. In: Sports medicine-open 4.1, p. 24.

Einfalt, Moritz, Dan Zecha en Rainer Lienhart (2018). “Activity-conditioned continuous human pose estimation for performance analysis of athletes using the example of swimming”. In: 2018 IEEE Winter Conference on Applications of Computer Vision (WACV). IEEE, p. 446–455. Hasegawa, Kunihiro en Hideo Saito (2016). “Synthesis of a stroboscopic image from a hand-held

camera sequence for a sports analysis”. In: Computational Visual Media 2.3, p. 277–289. Hwang, Jihye, Sungheon Park en Nojun Kwak (2017). “Athlete pose estimation by a global-local

network”. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, p. 58–65.

Kurose, Ryunosuke e.a. (2018). “Player pose analysis in tennis video based on pose estimation”. In: 2018 International Workshop on Advanced Image Technology (IWAIT). IEEE, p. 1–4. Nakano, Nobuyasu e.a. (2019). “Evaluation of 3D markerless motion capture accuracy using

OpenPose with multiple video cameras”. In: bioRxiv, p. 842492.

Owens, NEIL, C Harris en C Stennett (2003). “Hawk-eye tennis system”. In: 2003 International Conference on Visual Information Engineering VIE 2003. IET, p. 182–185.

Payton, Carl J en Adrian Burden (2017). Biomechanical evaluation of movement in sport and exercise: the British Association of Sport and Exercise Sciences guide. Routledge.

Plackett, Robin L (1983). “Karl Pearson and the chi-squared test”. In: International Statistical Review/Revue Internationale de Statistique, p. 59–72.

Press, William H en Saul A Teukolsky (1990). “Savitzky-Golay smoothing filters”. In: Computers in Physics 4.6, p. 669–672.

Siriteerakul, Teera, Yoichi Sato en Veera Boonjing (2011). “Estimating change in head pose from low resolution video using LBP-based tracking”. In: 2011 International Symposium on Intelligent Signal Processing and Communications Systems (ISPACS). IEEE, p. 1–6. Wang, Jianbo e.a. (2019). “AI Coach: Deep Human Pose Estimation and Analysis for Personalized

Athletic Training Assistance”. In: Proceedings of the 27th ACM International Conference on Multimedia, p. 374–382.

Wei, Xinyu e.a. (2015). “Predicting ball ownership in basketball from a monocular view using only player trajectories”. In: Proceedings of the IEEE International Conference on Computer Vision Workshops, p. 63–70.

Zecha, Dan, Christian Eggert en Rainer Lienhart (2017). “Pose estimation for deriving kinematic parameters of competitive swimmers”. In: Electronic Imaging 2017.16, p. 21–29.