Geri Dön

Sporda yapay zeka teknikleri ile sprint ve sıçrama performansının incelenmesi

Examining sprint and jump performance using artificial intelligence techniques in sports

PDF İndir

  1. Tez No: 1022704
  2. Yazar: KADER YEL
  3. Danışmanlar: DOÇ. DR. ZEKAİ ÇAKIR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Spor, Sports
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bayburt Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Beden Eğitimi ve Spor Ana Bilim Dalı
  12. Bilim Dalı: Beden Eğitimi ve Spor Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu araştırma, sporda performans ölçümünde kullanılabilecek yapay zekâ destekli bir video analiz sisteminin ölçüt geçerliğini ve referans yöntemlerle uyumunu incelemek amacıyla yürütülen kesitsel, metodolojik bir yöntem karşılaştırma çalışmasıdır. Araştırma ekibi tarafından Python tabanlı, MediaPipe Pose, YOLO-Pose ve YOLO-Seg modellerini birlikte kullanan insan denetimli, yarı otomatik bir video analiz yazılımı geliştirilmiştir. Çalışmaya sportif geçmişe sahip 41 gönüllü üniversite öğrencisi katılmıştır. Sprint performansı dört farklı anatomik ve algoritmik yaklaşımla (Torso Center, Hip Center, Front Body ve YOLO) 5, 10 ve 15 m mesafelerde fiziksel fotosel sistemiyle; 5 ve 10 m ara geçişlerde ise ayrıca Kinovea tabanlı manuel video analiziyle karşılaştırılmıştır. Durarak uzun atlama mesafesi, 0–300 cm'lik zemin düzleminde dört noktalı perspektif kalibrasyonu ve 200 cm ara kalibrasyon ankrajı kullanılarak analiz edilmiştir. İnsan tarafından doğrulanan ilk iniş karesinde MediaPipe ve YOLO-Pose tarafından elde edilen mesafelerin eşit ağırlıklı ortalaması MP–YOLO Fusion ölçümü olarak hesaplanmış ve yapay zekâ sisteminden bağımsız referans mesafe ölçümüyle karşılaştırılmıştır. Dikey sıçrama performansı, TKK 5406 Jump-MD cihazıyla eş zamanlı alınan video kayıtları üzerinden MediaPipe, YOLO-Pose ve güven ağırlıklı birleşik pelvis dikey yer değiştirmesi yaklaşımlarıyla değerlendirilmiştir. Uçuş süresine dayalı sıçrama sonuçları için bağımsız bir kuvvet platformu veya temas matı referansı bulunmadığından bu sonuçlar mutlak geçerlik yerine modeller arası uyum kapsamında incelenmiştir. Yöntemler arasındaki farklılıklar eşleştirilmiş parametrik veya parametrik olmayan testlerle; ilişki Pearson veya Spearman korelasyon katsayılarıyla; mutlak uyum sınıf içi korelasyon katsayısıyla, sistematik yanlılık Bland–Altman analiziyle ve ölçüm hataları MAE, MAPE ve RMSE göstergeleriyle değerlendirilmiştir. Bulgular, hiçbir modelin bütün mesafe ve ölçütlerde kesin üstünlük göstermediğini; ölçüm performansının sprint mesafesine ve kullanılan anatomik referans noktasına göre değiştiğini ortaya koymuştur. Beş metrede Hip Center yaklaşımı düşük sistematik fark (0,018 sn), düşük ortalama mutlak hata (MAE=0,049 sn) ve en yüksek ICC nokta tahminiyle (ICC=0,715) en dengeli yaklaşım olarak belirlenirken, Torso Center ve YOLO modelleri fotoselden anlamlı düzeyde daha uzun süre ölçmüştür (Bonferroni düzeltilmiş sırasıyla p=0,032 ve p=0,020). On metrede bütün modeller fotoselle güçlü ilişki ve yüksek mutlak uyum göstermiş; Hip Center yaklaşımı en düşük hata ve en yüksek ICC değerini (ICC=0,954) üretmiştir. On beş metrede YOLO modeli bütün kayıtlarda ölçüm üretmesi, en yüksek korelasyon (ρ=0,909), en yüksek ICC (ICC=0,905) ve sayısal olarak en düşük hata değerleriyle öne çıkmıştır. Bununla birlikte YOLO ile Torso Center ve Hip Center arasındaki mutlak hata farklılıkları anlamlı bulunmamış; Front Body modelinin mutlak hata değerleri diğer üç modelden anlamlı düzeyde yüksek bulunmuştur. Beş ve 10 m ara geçişlerde AI Hip Center yöntemi Kinovea ölçümlerinden sistematik olarak daha kısa süreler üretmiştir (5 m medyan fark=−0,188 sn, p=0,002; 10 m ortalama fark=−0,169 sn, p<0,001). Yöntemler arasındaki ilişkiler güçlü olmakla birlikte özellikle 5 m'de mutlak uyum düşük bulunmuştur (ICC=0,348). Durarak uzun atlama analizinde, teknik kalite kabul ölçütlerini karşılayan 25 kayıt değerlendirilmiştir. Referans ölçüm ile MediaPipe, YOLO-Pose ve MP–YOLO Fusion ölçümleri arasında istatistiksel olarak anlamlı ortalama fark bulunmamış (sırasıyla p=0,223; p=0,319; p=0,267) ve etki büyüklükleri küçük düzeyde kalmıştır (d=0,203–0,250). Referans ölçüm ile yapay zekâ tabanlı ölçümler arasında çok yüksek düzeyde korelasyonlar belirlenmiş (r=0,975–0,983), MP–YOLO Fusion ile referans ölçüm arasında mükemmel düzeyde mutlak uyum elde edilmiştir (ICC=0,978; %95 GA: 0,952–0,990). Fusion yöntemi referans ölçümden ortalama 1,82 cm daha düşük sonuç üretmiş; Bland–Altman uyum sınırları −17,49 ile 13,86 cm arasında bulunmuştur. Ortalama mutlak hata 5,44 cm, ortalama mutlak yüzde hata %2,86 ve kök ortalama kare hata 8,04 cm olarak hesaplanmıştır. Bu sonuçlar grup düzeyinde düşük sistematik yanlılık ve yüksek uyuma işaret etmekle birlikte, bazı bireysel ölçümlerde daha büyük sapmaların ortaya çıkabildiğini göstermiştir. Dikey sıçramada TKK 5406 ile MediaPipe, YOLO-Pose ve birleşik pelvis ölçümleri arasında anlamlı ortalama fark saptanmamış (tüm p>0,05); çok güçlü korelasyonlar (r=0,955–0,959) elde edilmiştir. Birleşik pelvis ölçümü ile TKK 5406 arasında yüksek mutlak uyum belirlenmiş (ICC=0,959; %95 GA: 0,923–0,978), MAE 2,71 cm ve MAPE %6,03 olarak hesaplanmıştır. Sonuç olarak, geliştirilen yapay zekâ destekli video analiz sistemi, pelvis tabanlı dikey sıçrama ölçümünde TKK 5406 ile; durarak uzun atlama ölçümünde ise bağımsız referans mesafe ile güçlü ilişki ve yüksek mutlak uyum gösteren umut verici bir ölçüm yaklaşımı sunmuştur. Bununla birlikte durarak uzun atlamada elde edilen bireysel uyum sınırları ve maksimum hata değeri, yöntemin küçük bireysel performans değişimlerinin değerlendirilmesinde dikkatli kullanılmasını gerektirmektedir.. Sprint zamanlamasında ve Kinovea karşılaştırmalarında ise mesafeye, anatomik referans noktasına ve olay tanımlarına bağlı sistematik farklılıklar belirlenmiştir. Bu nedenle geliştirilen sistemin mevcut referans yöntemlerin doğrudan yerine kullanılabileceği sonucuna ulaşılamamıştır. Özellikle 5 m ve 10 m analizlerindeki sınırlı geçerli kayıt sayıları, bazı modellerdeki eksik ölçümler ve geniş güven aralıkları nedeniyle bulgular keşifsel olarak değerlendirilmiş; sistemin daha geniş ve bağımsız örneklemlerde doğrulanması önerilmiştir

Özet (Çeviri)

This study was conducted as a cross-sectional, methodological method-comparison investigation to examine the criterion validity of an artificial intelligence–assisted video analysis system designed for sports performance assessment and its agreement with reference measurement methods. A Python-based, human-in-the-loop, semi-automated video analysis software integrating MediaPipe Pose, YOLO-Pose, and YOLO-Seg models was developed by the research team. The study included 41 volunteer university students with a sporting background. Sprint performance was assessed at distances of 5, 10, and 15 m using four distinct anatomical and algorithmic approaches—Torso Centre, Hip Centre, Front Body, and YOLO—and compared with a physical photocell timing system. The 5- and 10-m split times were additionally compared with manual video analysis performed using Kinovea. Standing long jump distance was analysed on a 0–300 cm ground plane using four-point perspective calibration and an intermediate calibration anchor positioned at 200 cm. The equally weighted mean of the distances generated by MediaPipe and YOLO-Pose at the human-verified first-landing frame was calculated as the MP–YOLO Fusion measurement and compared with a reference distance measurement obtained independently of the artificial intelligence system. Vertical jump performance was evaluated from video recordings obtained simultaneously with the TKK 5406 Jump-MD device using MediaPipe, YOLO-Pose, and confidence-weighted composite pelvis vertical displacement approaches. Because no independent force-platform or contact-mat reference was available for jump outcomes derived from flight time, these results were examined in terms of inter-model agreement rather than absolute validity. Differences between methods were assessed using paired parametric or nonparametric tests; associations were examined using Pearson or Spearman correlation coefficients; absolute agreement was evaluated using intraclass correlation coefficients; systematic bias was assessed through Bland–Altman analysis; and measurement errors were quantified using MAE, MAPE, and RMSE. The findings showed that no single model demonstrated unequivocal superiority across all distances and measurement criteria. That measurement performance varied according to sprint distance and the anatomical reference point used. At 5 m, the Hip Centre approach emerged as the most balanced method, showing a small systematic difference of 0.018 s, a low mean absolute error of 0.049 s, and the highest ICC point estimate of 0.715. In contrast, the Torso Centre and YOLO models took significantly longer than the photocell system, with Bonferroni-adjusted p-values of 0.032 and 0.020, respectively. At 10 m, all models showed strong associations and high absolute agreement with photocell measurements, while the Hip Centre approach yielded the lowest error and the highest ICC, 0.954. At 15 m, the YOLO model was notable for producing valid measurements for all recordings and achieving the highest correlation (ρ=0.909), the highest ICC (ICC=0.905), and, numerically, the lowest error values. Nevertheless, differences in absolute error between YOLO and the Torso Centre and Hip Centre approaches were not statistically significant. In contrast, the Front Body model produced significantly greater absolute errors than the other three models. At the 5- and 10-m split points, the AI-based Hip Centre method consistently produced shorter times than Kinovea measurements (5 m median difference = -0.188 s, p = 0.002; 10 m mean difference = -0.169 s, p < 0.001). Although the associations between methods were strong, the absolute agreement was low, particularly at 5 m (ICC = 0.348). In the standing long jump analysis, 25 recordings that met the predefined technical quality criteria were evaluated. No statistically significant mean differences were found between the reference measurement and the MediaPipe, YOLO-Pose, or MP–YOLO Fusion measurements (p=0.223, p=0.319, and p=0.267, respectively), and effect sizes remained small (d=0.203–0.250). Very high correlations were observed between the reference measurement and the artificial intelligence–based measurements (r=0.975–0.983), while excellent absolute agreement was obtained between the MP–YOLO Fusion and reference measurements (ICC=0.978; 95% CI: 0.952–0.990). The Fusion method produced values that were, on average, 1.82 cm lower than the reference measurements, with Bland–Altman limits of agreement ranging from −17.49 to 13.86 cm. The mean absolute error was 5.44 cm, the mean absolute percentage error was 2.86%, and the root mean square error was 8.04 cm. These findings indicated low systematic bias and high agreement at the group level, while also revealing that larger deviations occurred in some individual measurements. In the vertical jump analysis, no significant mean differences were detected between the TKK 5406 and the MediaPipe, YOLO-Pose, or composite pelvis measurements (all p>0.05), and very strong correlations were obtained (r=0.955–0.959). High absolute agreement was identified between the composite pelvis measurement and the TKK 5406 (ICC=0.959; 95% CI: 0.923–0.978), with an MAE of 2.71 cm and a MAPE of 6.03%. In conclusion, the developed artificial intelligence–assisted video analysis system provided a promising measurement approach, demonstrating strong associations and high absolute agreement with the TKK 5406 for pelvis-based vertical jump assessment and with the independent reference distance measurement for standing long jump assessment. Nevertheless, the individual limits of agreement and maximum error observed in the standing long jump analysis indicate that the method should be used cautiously when evaluating small individual changes in performance. In sprint timing and Kinovea comparisons, systematic differences were identified depending on sprint distance, anatomical reference point, and event definition. Therefore, the findings do not support the conclusion that the developed system can be used interchangeably with the existing reference methods. Owing to the limited number of valid recordings in the 5- and 10-m analyses, missing measurements in some models, and wide confidence intervals, the findings were interpreted as exploratory. Further validation in larger and independent samples is recommended.

Benzer Tezler

  1. Tez No

    735968

    A comparative study for football analytics with data mining and artificial intelligence techniques

    Veri madenciliği ve yapay zeka teknikleri ile karşılaştırmalı futbol analitiği

    MUSTAFA AADEL MASHJAL AL-ASADI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAKİR TAŞDEMİR

  2. Tez No

    913874

    Spor bilimleri fakültesi öğrencilerinin metaverse bilgi düzeyinin ve elektronik boş zaman yapay zekâ farkındalığının incelenmesi: spor bilimleri fakültesi örneği

    Examination of metaverse knowledge level and electronic leisure artificial intelligence awareness of faculty of sports sciences students: example of faculty of sports sciences

    HAVVA NUR ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    SporKafkas Üniversitesi

    Beden Eğitimi ve Spor Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METİN ÖZLÜ

  3. Tez No

    677970

    X-ışını ve derin öğrenme ile covid-19 tespiti

    Covid-19 detection by x-ray images and deep learning

    NAMRIG HUSSAIN SULIMAN FEDAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MAHİR DURSUN

  4. Tez No

    676095

    Modelling and state of charge estimation of lithium-ion batteries

    Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini

    MANİ KAZIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÖKAŞAN

  5. Tez No

    706716

    Bağımsız denetimde veri madenciliği tekniklerinin kullanılması

    Using data mining techniques in audit

    KARDELEN YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    İşletmeAlanya Alaaddin Keykubat Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. SÜLEYMAN UYAR

Geri Dön