Redes Neurais para Apoio à Análise de Performance de Atletas Profissionais de Futebol

Abstract

A aplicação da tecnologia no futebol vêm aumentando muito nos últimos anos, princi- palmente na captura de dados para análise de performance dos atletas. Em ligas de alto

nível, clubes utilizam dispositivos de GPS de frequência de captura maior que 10 Hz. Estes dispositivos contudo, possuem um alto custo que impossibilita atletas amadores e clubes de médio porte de terem uma mesma inteligência sobre sua performance. Com o objetivo de possibilitar que estes atletas e clubes pudessem ter análises de performance com qualidade similar a clubes de alto poder aquisitivo somente com smartwatches e smartphones, a Joga optou pelo desenvolvimento de algoritmos de aprendizado de máquina capazes de suprir a perda de informação que estes dispositivos apresentam por ter frequência de captura de 1 Hz. Assim, em posse de uma base de dados de GPS de 10 atividades de futebol capturadas por um dispositivo de 10 Hz, foi feita uma amostragem destes dados em frequências distintas a fim de simular dados capturados por dispositivos diferentes. Em seguida, foi criada uma rede neural capaz de estimar o quanto a distância calculada com pontos amostrados deveria ser corrigida para ser similar à distância mensurada com dispositivos de 10 Hz de frequência. Além disso, foi aplicado um filtro de Kalman nos dados de GPS a fim de minimizar ruídos de medição. Por fim, foi realizado um experimento controlado onde atletas percorreram um circuito de distâncias conhecidas com um smartwatch de GPS de 1 Hz e um dispositivo de GPS de 15 Hz a fim de avaliar a eficácia do modelo desenvolvido. A distância medida pelo modelo final de rede neural com filtro de Kalman aplicado nos dados de 1 Hz provou ter um erro menor do que a distância calculada com dados de 15 Hz.

The usage of technology in football has been increasing over the last few years, specially in the capture of data for athlete’s performance analysis. On top level leagues, clubs use GPS devices with a frequency of 10 Hz. These devices however, are too expensive, making impossible for amateur athletes and medium-level clubs to have the same kind of intelligence over their performance. With the goal of enabling these athletes and clubs to have performance analysis of similar quality of top level clubs using only smartphones and smartwatches, Joga opted for the development of machine learning algorithms capable of making up for the loss of information that these devices present for having a frequency of 1 Hz. Thus, with a GPS database of 10 football activities recorded with a 10 Hz device, a sampling was made with different frequencies in order to simulate data from the same activities recorded with different devices. A neural network was then created, capable of estimating how much the distance calculated between sampled location points should be corrected in order to be similar to the distance measured with 10 Hz data. A Kalman Filter was also applied to the GPS data in order to minimize measurement noise. At last, a controlled experiment was made where athletes ran iver a circuit of known distances with a smartwatch of a 1 Hz GPS and a 15 Hz GPS device in order to evaluate the accuracy of the developed model. The distance measured by the final neural network model with the Kalman Filter on 1 Hz data proved to have a smaller error than the distance measured by 15 Hz data.