Wearables find in sports one of the

Wearables find in sports one of their main applications. In recent years, many wearable devices have been commercially released such as the Babolat Play or Sony Smart Tennis Sensor that detect and classify different types of tennis shots and provide a performance analysis to the player. However, available devices focus on a single technical element of tennis only-the shot. As tennis performance is the result of a full body coordination and timing of the movement, the present work wants to take a broader view at the tennis player performance and include the simultaneous work of legs and arms with the goal to time elements of movement. We design a sensor system with three inertial measurement units, one attached to each foot as well as one at the racket. We develop a pipeline to detect and classify leg and arm movement and implement a gesture recognition for the shooting arm based on LCSS (longest common subsequence). The algorithm distinguishes between forehand and backhand (with topspin and slice, respectively) as well as a smash. Footwork is first segmented into potential steps and then classified by a support vector machine between shot and side steps. In the person-dependent case the algorithm achieved 87% recall and 89% precision. The step recognition algorithm has been able to detect 76% of the steps with a classification accuracy of 95%. Based on these results timing information within the shooting state can be robustly obtained which is crucial for a thorough analysis of the whole shot.

Resultados (español) 1:

Wearables encuentran en el deporte uno de sus principales aplicaciones. En los últimos años, muchos dispositivos portátiles han sido liberados comercialmente como el Babolat Play o Sony Sensor de tenis inteligente que detectar y clasificar diferentes tipos de golpes de tenis y proporcionan un análisis de performance para el jugador. Sin embargo, los dispositivos disponibles se centran en un solo elemento técnico de tiro sólo el tenis. El tenis es el resultado de la coordinación de todo el cuerpo y el momento del movimiento, el presente trabajo quiere tener una visión más amplia en el desempeño del jugador de tenis e incluyen el trabajo simultáneo de piernas y brazos con el objetivo de los elementos de tiempo de movimiento. Diseñamos el sistema de sensores con tres unidades de medición inercial, uno unido a cada pie, así como uno a la raqueta. Desarrollamos la tubería para detectar y clasificar la pierna y movimiento del brazo y aplicar un reconocimiento de gestos para el brazo de tiro basado en LCSS (subsequence común más largo). El algoritmo distingue identificador entre derecha y revés (con topspin y rebanada, respectivamente) así como de la rotura violenta. Juego de pies es primero dividido en pasos posibles y luego clasificado por la máquina de vectores soporte entre tiro y pasos laterales. En el caso el algoritmo dependiente de la persona logra recordar y 87% 89% precisión. El algoritmo de reconocimiento de paso ha sido capaz de detectar el 76% de los pasos con la precisión de la clasificación del 95%. Basado en estos resultados se puede obtener información de sincronización dentro del estado tiro robusta es muy importante para un análisis exhaustivo de todo el tiro.

Resultados (español) 3:

Wearables encontrar en deportes, una de sus principales aplicaciones.En los últimos años, muchos dispositivos portatiles han sido estrenadas comercialmente como la Babolat jugar tenis o Sony Smart Sensor que detectar y clasificar los diferentes tipos de tenis golpes y proporcionar un análisis de rendimiento para el jugador.Sin embargo, los dispositivos disponibles se centran en un solo elemento técnico de tenis solo - el tiro.El tenis el rendimiento es el resultado de la forma del cuerpo, la coordinación y la sincronización del movimiento, el presente trabajo pretende dar una visión más amplia en el jugador de tenis de rendimiento y incluyen el trabajo simultaneo de piernas y brazos con el objetivo a la vez elementos de movimiento.Diseñamos el sistema de sensores con tres unidades inerciales, uno en cada pie, así como el de la raqueta.Desarrollamos la tubería para detectar y clasificar el movimiento del brazo y la pierna y aplicar el reconocimiento de gestos para el brazo con el que disparo sobre la base de LCSS (Longest Common Subsequence).El algoritmo que distingue entre la derecha y el revés (con golpes liftados y cortados, respectivamente) así como el Smash.Juego de pies es primer segmentado en posibles pasos y luego clasificadas por una máquina de vectores de soporte entre Tiro y estribos.En el caso de persona dependiente el algoritmo conseguido 87% recordar y 89% de precisión.El algoritmo de reconocimiento de paso ha sido capaz de detectar el 76% de los pasos con una precision de la clasificacion de 95%.Sobre la base de estos resultados al momento la información dentro de los disparos Estado puede ser enérgicamente obtenido que es crucial para un análisis exhaustivo de toda la foto.