Spor hareketlerinin derin öğrenme yöntemleri ile analizi
Analysis of sports movements with deep learning methods
- Tez No: 906990
- Danışmanlar: DOÇ. DR. İLKER ALİ ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Spor, fiziksel ve zihinsel insan sağlığı açısından vazgeçilmez bir öneme sahiptir. Spor hareketlerinin analizi edilmesi, sportif performansın optimize edilmesi, sakatlanma risklerinin minimize edilmesi ve sporcuların doğru tekniklerle çalışmasının sağlanması açısından büyük önem taşımaktadır. Son yıllarda spor hareketlerin analizinde derin öğrenme yöntemlerinin kullanılması, önceki yöntemlere kıyasla daha başarılı sonuçlar verdiği görülmüştür. Powerlifting, bench press, deadlift ve squat gibi temel hareketlerden oluşan bir güç sporudur. Powerlifting hareketleri genellikle karmaşık ve icra edilmesi nispeten zor hareketlerdir. Bu nedenle, bu hareketlerin doğru teknikle ve güvenli bir şekilde uygulanması büyük önem taşımaktadır. Bu çalışmanın amacı, Powerlifting sporundaki temel hareketlerin (bench press, deadlift ve squat) doğru tekniklerle uygulanmasını sağlamak ve sakatlanma risklerini en aza indirilmesi amacıyla, derin öğrenme yöntemleri kullanarak bu hareketlerin sınıflandırılmasını gerçekleştirmektir. Bu çalışmada, derin öğrenme tabanlı SqueezeNet mimarisi kullanılarak Powerlifting hareketlerinden özellik çıkarımı yapılarak makine öğrenmesi algoritmaları ile sınıflandırılması yapılmıştır. Veri seti, internet üzerindeki çeşitli kaynaklardan toplanan bench press, deadlift ve squat hareketlerine ait toplam 876 görüntüden oluşturulmuştur. Ayrıca veri artırma teknikleri uygulanarak bu veri seti artırılmış ve MediaPipe kütüphanesi kullanılarak hareketlerin duruş tahminine ilişkin anahtar noktalar görüntülere eklenmiştir. Ayrıca SqueezeNet ile özellik çıkarımı yerine sadece duruş tahmini bilgilerinin kullanımı da test edilmiştir. Elde edilen veri setleri, Yapay Sinir Ağı, Destek Vektör Makinesi, Rastgele Orman ve Lojistik Regresyon modelleri ile sınıflandırılmış ve model performansları çeşitli değerlendirme metrikleri ile analiz edilmiştir. Ham veri seti (876 görüntü) üzerinde yapılan deneyler, Yapay Sinir Ağı modelinin en yüksek doğruluk oranı olan (0,925) ile en iyi performansı gösterdiğini ortaya koymuştur. Veri artırma teknikleri ve anahtar noktalar eklenen genişletilmiş veri seti üzerinde yapılan analizlerde ise yine Yapay Sinir Ağı modelinin en yüksek doğruluk oranı olan (0,989) ile en iyi performansı gösterdiğini ortaya koymuştur. Sadece duruş tahmini verilerinin kullanımı ile de Yapay Sinir Ağı modelinin en yüksek doğruluk oranı (0,977) ile en iyi performansı gösterdiği görülmüştür. Sonuçlar, duruş tahmini ve veri artırma tekniklerinin bir arada kullanılmasının, sınıflandırma doğruluğunu ve genel model performansını önemli ölçüde artırdığını göstermektedir. Bu çalışma, derin öğrenme yöntemlerinin spor hareket analizinde güçlü bir araç olduğunu ve sporcuların performanslarının değerlendirilmesinde önemli katkılar sağlayabileceğini göstermektedir. Bu yöntemler, doğru tekniklerin uygulanması ve hareketlerin hassas bir şekilde analiz edilmesi açısından önemli avantajlar sunmaktadır.
Özet (Çeviri)
Sport has an indispensable importance for physical and mental human health. Analyzing sports movements is of great importance in terms of optimizing sports performance, minimizing injury risks and ensuring that athletes work with the correct techniques. In recent years, the use of deep learning methods in the analysis of sports movements has shown more successful results compared to previous methods. Powerlifting is a strength sport that consists of basic movements such as bench press, deadlift and squat. Powerlifting movements are often complex and relatively difficult to perform. Therefore, safe execution of these movements with correct technique is of great importance. The aim of this study is to classify the basic movements in powerlifting (bench press, deadlift and squat) using deep learning methods in order to ensure that they are performed with correct techniques and to minimize the risk of injury. In this study, deep learning based SqueezeNet architecture is used to extract features from Powerlifting movements and classify them with machine learning algorithms. The dataset consists of 876 images of bench press, deadlift and squat movements collected from various sources on the internet. In addition, this dataset was increased by applying data augmentation techniques and key points related to the posture estimation of the movements were added to the images using the MediaPipe library. In addition, the use of only pose estimation information instead of feature extraction with SqueezeNet was also tested. The datasets were classified with Artificial Neural Network, Support Vector Machine, Random Forest and Logistic Regression models and the model performances were analyzed with various evaluation metrics. Experiments on the raw dataset (876 images) revealed that the Neural Network model performed the best with the highest accuracy of (0.925). Analyses on the extended dataset, where data augmentation techniques and key points were added, again showed that the Neural Network model performed the best with the highest accuracy of (0.989). It was also observed that the Neural Network model performed best with the highest accuracy rate of (0.977) when only the stop prediction data was used. The results show that the combination of stance prediction and data augmentation techniques significantly improves the classification accuracy and overall model performance. This study shows that deep learning methods are a powerful tool in sports motion analysis and can make significant contributions to the evaluation of athletes' performance. These methods offer significant advantages in terms of applying the right techniques and analyzing the movements precisely.
Benzer Tezler
- Üç boyutlu iskelet verilerinden metrik öğrenme tabanlı hareket tanıma
Metric learning based action recognition from three dimensional skeleton data
ŞEYMA YÜCER
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF SİNAN AKGÜL
- Video veri setleri ile insan eylemi tanıma yaklaşımlarına yönelik alan araştırması
A field research on human action recognition approaches with video data sets
DUYGU SELİN AK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANSEL ÖZYER
- Deep learning architectures for collective activity recognition
Kolektif aktivite tanıma için derin öğrenme yapıları
CEMİL ZALLUHOĞLU
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZLI İKİZLER CİNBİŞ
- Diz ortezi giymiş insan kas iskelet örneği üzerinde derin pekiştirmeli öğrenmeyle yürüme öğrenmesi
Learning to walk on a human musculoskeletal model wearing a knee orthosis via deep reinforcement learning
ÖMER KAYAN
Yüksek Lisans
Türkçe
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- El hareketlerinin gerçekleştirilmesi ve gözlemlenmesi esnasında kaydedilen EEG sinyallerinden derin öğrenme temelli sınıflandırma ile ayna nöron aktivitesinin değerlendirilmesi
Deep learning based classification of EEG signals recorded during execution and observation of hand movements to evaluate the mirror neuron activity
HÜSEYİN AKBULUT
Yüksek Lisans
Türkçe
2020
Bilim ve TeknolojiMarmara ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. ADİL DENİZ DURU